Mistral Large 4: eine Billion Parameter, offene Gewichte und Cybersicherheit an erster Stelle

Eine Billion Parameter, europäische Ausgabe

Mistral startet die öffentliche Preview von Mistral Large 4, inoffiziell „der Chonk“ genannt. Es ist das größte Modell in der Geschichte des Unternehmens: 1.000 Milliarden Parameter insgesamt, 52 Milliarden aktiv bei jeder Inferenz, und native Multimodalität.

Das Modell wurde von Grund auf auf 3.800 NVIDIA Grace Blackwell GPUs trainiert, installiert in Mistrals eigenen Rechenzentren in Europa. Die Preview läuft auf derselben Infrastruktur. Mistral verspricht zudem eine vollständig europäisch betriebene Bereitstellung, unabhängig von anderen Anbietern digitaler Dienste und dem europäischen Recht unterworfen.

Die Gewichte werden bis Ende des Monats veröffentlicht, zusammen mit Architekturdetails, zusätzlichen Benchmarks und der Post-Training-Methodik. Bis dahin durchläuft das Modell ein Red-Teaming mit Akteuren aus der Cybersicherheit, ausgewählten Partnern und staatlichen Behörden, die Zugang zu einer Version mit reduzierter Moderation und erweiterten Cyber-Fähigkeiten erhalten.

Cybersicherheit als Verkaufsargument

Das ist der am stärksten betonte Aspekt der Ankündigung. Im Artificial Analysis Cyber Index, einer unabhängigen Bewertung der Fähigkeit, Schwachstellen in echter Software zu finden und zu beheben, rangiert ML4 unter den Top 5 weltweit und liegt deutlich vor den außerhalb Chinas entwickelten Open-Weight-Modellen.

Bei einem der Tests des Index, bei dem eine reale Schwachstelle einer Open-Source-Software reproduziert und dann behoben werden muss, erreicht ML4 82 % – der beste Wert aller Modelle. Claude Opus 5.5 und GPT-6 Astra erzielen dabei nahezu null Punkte, nicht aus Unfähigkeit, sondern weil sie die Aufgabe verweigern.

Mistral zieht daraus ein grundsätzliches Argument: Software zu verteidigen beginnt oft damit, zu beweisen, dass eine Schwachstelle existiert, und genau diese Arbeit blockieren die Filter geschlossener Modelle, während Angreifer dieselben Modelle jailbreaken. Mitten in einem Vorfall den Zugang zu einer Fähigkeit zu verlieren, wird selbst zum Risiko. Daher das Versprechen eines Modells, das in einer privaten Cloud oder vor Ort einsetzbar ist, unter den eigenen Richtlinien der Organisation.

Code, Agenten und Büroarbeit

Im agentischen Code erzielt ML4 61,7 % auf DeepSWE v1.1, 59,4 % auf SWE-Atlas-QnA und 28,3 % auf Terminal-Bench 4. Sein Coding Agent Index von 49,8 % platziert es vor DeepSeek V4 Pro 0813 und Qwen3.8 Max. In einer blinden menschlichen Bewertung mit Surge AI landet es auf Platz zwei von fünf (3,74/5), vor GLM-5.3, Kimi K3 und GLM-5.2, aber deutlich hinter Claude Opus 5 (4,22).

Auf AutomationBench, 657 geschäftlichen Workflows mit Gmail, Google Sheets, Slack oder Salesforce, erreicht es 59,9 %. Auf AA-Briefcase, das längerfristige intellektuelle Arbeit bewertet, erzielt es 1.393 Elo, vor DeepSeek V4 Pro.

Bei regulierten Branchen bewertet vals.ai es als überlegen gegenüber GPT-6-Astra bei repräsentativen juristischen und finanziellen Aufgaben, und es übertrifft alle Open-Source-Modelle auf Harveys Legal Agent Benchmark.

Vision, Wissenschaft und Mathematik

Mistral präsentiert ML4 als Sprung beim Bildverständnis: komplexe Dokumente, Diagramme, natürliche Szenen, Gigapixel-Satellitenbilder, technische Pläne. Das Modell kombiniert visuelles Grounding mit agentischen Fähigkeiten, um zu zoomen, zu prüfen und zu verifizieren, bis eine exakte Antwort erreicht ist. Auf Dense 200 liegt es knapp vor GPT-6-Astra (42 % gegenüber 41 %).

Im wissenschaftlichen Bereich wird es als state-of-the-art unter Open-Weight-Modellen auf SciCode-Verified angekündigt und als fähig, in einem Durchgang eine vollständige Hartree-Fock-Simulation zu generieren, eine mehrstufige Chemieaufgabe. In einer internen menschlichen Bewertung wird es GLM-5.3 bei CAD und STEM vorgezogen und liegt in Finanzen und Code auf gleichem Niveau oder knapp dahinter.

Modellsicherheit: das akzeptierte Paradox

ML4 widersteht 93,3 % der Angriffe des Lakera-B3-Benchmarks und sättigt die internen Robustheitstests gegen indirekte Prompt-Injections. Auf dem KORA Benchmark erzielt es 1,691 von 2, der beste von Mistral gemessene Wert unter Open-Source-Modellen.

Bemerkenswertes Detail: Trotz seiner Leistungen im Cyberbereich liegt seine durchschnittliche Ablehnungsrate bei bösartigen Cyber-Prompts aus JailbreakBench, StrongREJECT und AgentHarm höher als bei allen anderen Open-Source-Modellen. Mistral beansprucht also gleichzeitig ein Modell, das defensive Arbeit akzeptiert und bösartige Anfragen stärker ablehnt – ein Gleichgewicht, das sich erst im echten Einsatz überprüfen lässt.

RL im industriellen Maßstab, und was folgt

Das Post-Training stützt sich massiv auf Reinforcement Learning, über eine Bibliothek, in der Umgebungen (Chat, wissenschaftliche Probleme, Alignment, Faktentreue, langfristige Werkzeugnutzung) in einem einzigen Lauf kombiniert werden. Eine autoskalierende Flotte von Akteuren erzeugt zehntausende Rollouts parallel, mit asynchronem Training und Budgets von mehreren Millionen Tokens pro Trajektorie.

Auf rund 3.000 GPUs produziert ein Lauf fast 33 Milliarden Tokens pro Tag, davon 16 Milliarden nutzbar fürs Training. Dieser Lauf läuft weiterhin und sättigt laut Mistral nicht: Das Unternehmen verspricht schnelle Verbesserungen in den kommenden Wochen.

ML4 wird als erster Meilenstein der 3-Milliarden-Euro-Series-D vorgestellt, der größten Kapitalrunde, die je von einem europäischen Tech-Unternehmen aufgenommen wurde. Es wird auch als Basis für eine neue Generation spezialisierter Mistral-Modelle dienen, trainiert mit derselben Umgebung, die Kunden über Mistral Forge angeboten wird.