Mistral Large 4 Bobot Terbuka: Model Satu Triliun Parameter yang Bisa Diunduh dan Dijalankan Sendiri

Pada 29 Oktober 2026, Mistral AI merilis bobot Mistral Large 4. Model ini dijuluki Le Chonk. Bobot adalah nilai hasil pelatihan model. Bobot yang dapat diunduh berarti model dapat dijalankan di server sendiri. Model tidak lagi hanya ada di layanan Mistral (Mistral, diakses 30 Oktober 2026). Model ini memiliki 1,05 triliun parameter. Model ini bersifat multimodal secara bawaan. Model ini dibangun untuk agen coding dan keamanan siber defensif. Bobotnya diterbitkan di Hugging Face. Lisensinya adalah lisensi MIT yang dimodifikasi. Lisensi itu membawa satu syarat bagi layanan model (kartu model Hugging Face, diakses 30 Oktober 2026). Artikel ini menjelaskan apa yang dirilis. Artikel ini menjelaskan arti angka tolok ukurnya. Artikel ini menjelaskan apa yang diizinkan lisensinya. Artikel ini menjelaskan apa yang dibutuhkan untuk menjalankannya sendiri.

Poin Penting

• Mistral merilis bobot Large 4 versi yang ditingkatkan pada 29 Oktober 2026. Rilis itu datang tiga minggu setelah pratinjau publik 6 Oktober. Rilis itu mengikuti latihan penguatan tambahan.

• Total model adalah 1,05 triliun parameter. Hanya 49 miliar parameter yang aktif per token. Angka itu menjadi 52 miliar bila lapisan embedding dan lapisan keluaran dihitung. Jendela konteksnya 1 juta token.

• Mistral melaporkan skor 19,7% pada FrontierCode 2.0. Mistral melaporkan 48% pada Artificial Analysis Coding Agent Index (Mistral). Mistral melaporkan 41% pada Terminal-Bench 4.0. Mistral melaporkan 51% pada Artificial Analysis Cyber Index (Mistral).

• Bobot memakai Mistral Ecosystem Open-Weight License. Lisensi itu adalah lisensi MIT yang dimodifikasi. Pemakaian gratis. Modifikasi gratis. Setelan lanjut gratis. Penjualan produk gratis. Bisnis Model-as-a-Service membutuhkan lisensi komersial terpisah.

• Anda dapat mengunduh checkpoint FP8. Anda dapat mengunduh rakitan NVFP4 untuk GPU Blackwell. Anda dapat menjalankannya dengan vLLM atau SGLang. API Mistral berharga 0,70 dolar AS per satu juta token masukan. API itu berharga 2,10 dolar AS per satu juta token keluaran.

Large 4 pertama kali muncul pada 6 Oktober 2026. Saat itu model hanya tersedia sebagai pratinjau publik lewat API. Bobot dijanjikan akan dirilis pada akhir Oktober. Rilis 29 Oktober menepati janji itu. Rilis itu bukan unggahan ulang bobot pratinjau. Mistral menyatakan checkpoint yang dirilis adalah versi yang ditingkatkan. Versi itu dibentuk oleh tiga minggu latihan penguatan tambahan. Versi itu juga dibentuk oleh umpan balik pengguna pratinjau. Perbedaan ini penting. Perbedaan ini berlaku bagi setiap angka dalam artikel ini. Skor dari masa pratinjau menggambarkan checkpoint lama. Checkpoint lama itu kini sudah digantikan Mistral.

Apa Itu Mistral Large 4?

Mistral Large 4 adalah model serbaguna andalan Mistral AI. Model ini dijuluki Le Chonk karena ukurannya. Model ini menerima masukan teks dan gambar. Model ini menghasilkan keluaran teks. Model ini dirancang untuk agen coding. Model ini juga dirancang untuk asisten keamanan siber defensif. Mistral melatihnya dari nol di Eropa. Pelatihan itu memakai 3.800 GPU NVIDIA Grace Blackwell. GPU itu berada di pusat data Mistral sendiri. Demikian menurut kartu modelnya.

Mixture of Experts (MoE) adalah arsitektur dengan banyak subjaringan khusus. Subjaringan itu disebut pakar. Arsitektur itu hanya mengarahkan tiap token ke beberapa pakar. Large 4 memiliki 128 pakar yang diarahkan. Model ini memilih 4 pakar per token. Model ini menambahkan 1 pakar bersama. Cara pengarahan itu menjelaskan perbedaan dua angka. Angka totalnya 1,05 triliun parameter. Angka kerjanya hanya 49 miliar parameter per token. Angka itu menjadi 52 miliar bila lapisan embedding dan lapisan keluaran dihitung.

Model ini juga membawa encoder visi Pixtral. Encoder itu berukuran 1,6 miliar parameter. Encoder itu menangani masukan gambar. Model ini memberi jendela konteks 1 juta token. Model ini mendukung pemanggilan fungsi bawaan. Model ini mendukung keluaran skema JSON yang ketat. Model ini juga membawa kepala decoding spekulatif DSpark. Kepala itu dimaksudkan untuk menaikkan throughput penyajian. Model ini mendukung lebih dari 160 bahasa. Bahasa itu mencakup semua bahasa resmi Uni Eropa.

Apa yang Diubah Tiga Minggu Pelatihan Tambahan

Klaim coding utama Mistral adalah keunggulan di antara model bobot terbuka. Pada FrontierCode 2.0, Large 4 meraih skor 19,7%. FrontierCode 2.0 adalah tolok ukur privat dari Cognition. Tolok ukur itu menilai apakah pengelola repositori akan menerima perubahan buatan agen. Skor itu tercantum pada (Mistral). Pada Artificial Analysis Coding Agent Index, model ini meraih 48%. Skor itu praktis imbang dengan GLM-5.3. GLM-5.3 adalah model bobot terbuka terdepan pada indeks itu. Large 4 memakai 47% token lebih sedikit per tugas secara rata-rata (Mistral). Pada Terminal-Bench 4.0, skornya naik 13 poin persentase. Skor itu menjadi 41%. Kenaikan itu dihitung dibanding pratinjau. Token keluaran berkurang 30% (Mistral).

Preferensi manusia mengarah ke kesimpulan yang sama. Kesimpulan itu memiliki satu batas. Pada evaluasi buta Surge Code, penilai lebih memilih Large 4. Penilai membandingkannya dengan GLM-5.3, Kimi K3, dan DeepSeek V4.1 Flash. Penilai menempatkannya di belakang hanya Claude Opus 5.5. Angka penggunaan perusahaan yang lebih luas juga bergerak. Finch mencapai 73,3%. Finch mengukur pekerjaan lembar kerja keuangan. Angka itu kedua setelah Kimi K3 di antara model terbuka (Mistral). BrowseComp mencapai 84,5%. BrowseComp mengukur pekerjaan penelusuran web. Angka itu naik dari 75% pada checkpoint lama (Mistral).

Tiga mode nalar kini tersedia. Mode itu memberi pengembang kendali biaya dan kinerja. Low cocok untuk tugas sederhana. Low menggantikan mode None yang lama. Medium cocok untuk tugas sehari-hari. High adalah bawaan. High cocok untuk kasus tersulit. Kasus itu membutuhkan penalaran menyeluruh. Kendali ini penting. Pemakaian token menentukan biaya alur kerja agen coding. Skor mentah saja tidak menentukan biaya itu. Skala besar membuat perbedaan itu nyata. Model yang imbang dengan pesaing dapat lebih murah dijalankan. Model itu memakai hampir separuh token per tugas.

Satu kehati-hatian berlaku untuk semua angka ini. Angka-angka itu adalah hasil ukur Mistral sendiri. FrontierCode 2.0 adalah tolok ukur privat. Peneliti luar tidak dapat menjalankannya ulang. Peneliti luar hanya memiliki materi yang diterbitkan. Mistral menyatakan laporan teknis lengkap akan segera terbit. Sampai laporan itu terbit, perlakukan skor tersebut sebagai klaim vendor. Skor itu bukan hasil reproduksi independen.

Dibangun untuk Pembela, dengan Peringatan yang Menyertainya

Keamanan siber adalah separuh kedua dari tawaran ini. Angkanya spesifik. Large 4 meraih 51% pada Artificial Analysis Cyber Index. Indeks itu mengukur penemuan kerentanan dalam basis kode. Indeks itu mengukur reproduksi dan validasi kerentanan. Indeks itu mengukur penambalannya tanpa merusak fungsi yang ada. Angka itu tercantum pada (Mistral). Pengaman bawaannya menolak rata-rata 96,6% permintaan siber berbahaya (Mistral). Uji itu memakai prompt JailbreakBench, StrongREJECT, dan AgentHarm. Tingkat penolakan itu tertinggi yang diukur Mistral di antara model terbuka. Pada B3 Agent Security Benchmark, model ini menahan 97,1% serangan. Angka itu naik dari 93,3% pada pratinjau (Mistral).

Mistral cukup terus terang mengenai sisi lain dari kemampuan itu. Mistral telah memantau pemakaian keamanan siber pada lalu lintas langsung. Mistral melihat model menolak serangan kotak hitam. Serangan itu ditujukan terhadap target langsung. Mistral tetap melihat potensi naiknya kemampuan. Potensi itu menyangkut pelaksanaan serangan nyata. Mistral menyatakan sedang memodifikasi pengamannya. Varian khusus bukan bagian dari unduhan publik. Varian itu dioptimalkan untuk pengujian penetrasi. Varian itu juga dioptimalkan untuk penilaian kerentanan dan red-teaming. Varian itu hanya diberikan kepada mitra desain yang telah melalui verifikasi. Salah satu mitra itu adalah Orange Cyberdefense. Pengujian dibatasi pada sistem milik sendiri. Pengujian juga dibatasi pada sistem yang diizinkan secara eksplisit. Pengujian itu berlangsung dalam lingkungan terkendali.

Pembagian itulah bentuk jujur dari model keamanan bobot terbuka. Bobot publik memberi pembela alat terdepan. Alat itu dapat dijalankan di sistem mereka sendiri. Bobot itu tidak dapat ditarik kembali setelah diunduh. Kemampuan yang sama dapat membantu penyerang. Penyerang itu adalah penyerang yang sudah memiliki akses. Kemampuan itu menemukan celah. Kemampuan itu juga menambal celah. Liputan peluncuran TechCrunch menyampaikan argumen kedaulatan itu secara langsung. Pierre Stock adalah Wakil Presiden Sains Mistral. Stock mengatakan kepada TechCrunch bahwa bobot terbuka memberi akses. Akses itu adalah akses ke kecerdasan terdepan untuk membela diri. Akses itu tidak dapat diputus menurut definisinya. Alasannya adalah model itu berbobot terbuka (TechCrunch, diakses 30 Oktober 2026).

Lisensi: Bobot Terbuka, Bukan Sumber Terbuka

Bobot terbuka adalah istilah yang tepat untuk rilis ini. Istilah itu berarti bobot model yang telah dilatih diterbitkan. Bobot itu dapat diunduh. Istilah itu tidak berarti lisensi sumber terbuka tanpa batas. Istilah itu tidak menjanjikan data pelatihan terbuka. Istilah itu tidak menjanjikan kode pelatihan terbuka. Menyebut Large 4 sekadar sumber terbuka melebih-lebihkan pemberian Mistral. Beberapa judul berita peluncuran memakai sebutan itu.

Dokumen yang mengaturnya adalah Mistral Ecosystem Open-Weight License. Mistral menggambarkannya sebagai versi lisensi MIT yang dimodifikasi. Lisensi itu mengizinkan pemakaian secara gratis. Lisensi itu mengizinkan modifikasi secara gratis. Lisensi itu mengizinkan penyetelan lanjutan secara gratis. Lisensi itu mengizinkan penjualan produk secara gratis. Lisensi itu membawa satu syarat. Bisnis yang mengoperasikan penawaran Model-as-a-Service harus memperoleh lisensi komersial terpisah. Lisensi itu harus diperoleh dari Mistral sebelum pemakaian komersial.

Model-as-a-Service adalah bisnis yang memberi pihak ketiga akses. Akses itu adalah akses ke inferensi model atau pelatihan lanjutan. Akses itu membuat pihak ketiga dapat mengatur masukan. Akses itu juga membuat pihak ketiga dapat mengatur parameter dan data pelatihan. Bisnis semacam itu membutuhkan lisensi komersial terpisah dari Mistral.

Bagi sebagian besar pembangun, syarat itu tidak pernah terpicu. Menjalankan model di dalam produk sendiri tercakup. Menyetelnya dengan data sendiri tercakup. Menyebarkannya pada server sendiri tercakup. Batas itu penting bagi satu jenis bisnis. Bisnis itu menjual kembali akses ke model itu sendiri sebagai layanan yang dihos. Liputan independen mencatat satu hal. Pengumuman Mistral tidak menggambar batas tajam di sini. Tim yang merencanakan penawaran yang dihos sebaiknya membaca teks lisensi terlebih dahulu. Bila ragu, tim itu sebaiknya bertanya kepada Mistral. Pertanyaan itu diajukan sebelum membangun bisnis atas akses yang dijual kembali (liputan independen mengenai lisensi, diakses 30 Oktober 2026).

Apa yang Dibutuhkan untuk Menjalankannya Sendiri

Mulai dari Hugging Face. Bobot diterbitkan sebagai mistralai/Mistral-Large-4-1T-A52B. Bobot itu berdampingan dengan checkpoint NVFP4 yang dikuantisasi. Jalur penyajian Mistral memakai vLLM atau SGLang. Rakitan NVFP4 menyasar GPU Blackwell. GPU itu mencakup B200, B300, GB200, dan GB300. GPU itu membawa perangkat keras khusus untuk format itu. Rakitan itu dimaksudkan untuk memangkas pemakaian memori. Pemangkasan itu substansial dibanding checkpoint FP8.

Itu adalah perangkat keras kelas pusat data. Tim sebaiknya menghitung biayanya. Biaya itu dihitung sebelum menjanjikan peluncuran yang disediakan sendiri. Jalur yang lebih murah adalah API Mistral. API itu kini dihargai 0,70 dolar AS per satu juta token masukan. API itu dihargai 0,07 dolar AS per satu juta token masukan yang di-cache. API itu dihargai 2,10 dolar AS per satu juta token keluaran. Harga itu kira-kira separuh harga pratinjau. Microsoft Foundry adalah penyedia awan pertama yang membawa model ini. NVIDIA menawarkan kontainer NIM yang dioptimalkan. Kontainer itu untuk penyajian dengan vLLM. Model ini juga ada di Mistral Studio. Model ini ada di API Mistral. Model ini ada di OpenRouter. Model ini ada di Vibe Code.

For example, bila Anda hanya ingin mencoba, mulailah dari API Mistral. Jalankan tugas coding dan keamanan Anda sendiri. Bandingkan tagihan tokennya dengan model yang Anda pakai hari ini.

Apa Kata Liputan Independen

TechCrunch membingkai rilis ini sebagai langkah kedaulatan. Persaingan memanas antara pengembang bobot terbuka dan penyedia model tertutup. Liputannya menekankan satu hal. Bisnis dan pemerintah kini dapat mengunduh sistem itu sendiri. Mereka dapat menyebarkan sistem itu sendiri. Mereka tidak bergantung pada perusahaan luar untuk kemampuan terdepan. Liputan itu mengulang klaim Mistral. Klaim itu menyangkut kinerja yang sebanding dengan GLM-5.3. Klaim itu juga menyangkut 47% token lebih sedikit per tugas (TechCrunch). Bingkai itu cocok dengan Mistral sendiri. Pengumuman itu menyajikan pelatihan Eropa sebagai fondasi. Pengumuman itu menyajikan penyediaan sendiri sebagai fondasi. Fondasi itu adalah fondasi bagi AI yang berdaulat.

Liputan itu juga menyisakan tiga pertanyaan terbuka. Pertanyaan satu menyangkut reproduksi independen. Belum ada reproduksi independen atas skor checkpoint baru. Laporan teknisnya masih dijanjikan. Laporan itu belum diterbitkan. Pertanyaan dua menyangkut biaya nyata penyediaan sendiri. Perangkat keras dihitung. Daya dihitung. Waktu rekayasa dihitung. Biaya itu jauh melampaui harga API utama. Pertanyaan tiga menyangkut batas Model-as-a-Service. Batas itu belum teruji dalam praktik. Tidak satu pun dari ketiganya membatalkan rilis ini. Bersama-sama, ketiganya berarti satu hal. Ujilah model pada tugas Anda sendiri. Pengujian itu dilakukan sebelum mempertaruhkan produk pada papan skor Mistral.

Siapa yang Sebaiknya Mengunduhnya, dan Siapa yang Tidak

Unduhlah bila Anda menjalankan agen coding pada server yang Anda kendalikan. Unduhlah bila Anda menjalankan pekerjaan keamanan defensif pada infrastruktur itu. Unduhlah bila Anda perlu menyetel model dengan data milik sendiri. Data itu tidak boleh meninggalkan jaringan Anda. Mode nalar dibangun untuk alur kerja agen semacam itu. Dukungan pemanggilan fungsi juga dibangun untuk alur kerja itu. Keluaran skema JSON yang ketat juga dibangun untuk alur kerja itu.

Lewati unduhan ini bila Anda menginginkan model kecil untuk laptop. Lewati bila Anda menginginkan layanan yang dihos tanpa beban operasional. Lewati bila Anda menginginkan lisensi untuk menjual kembali akses model. Lisensi itu tanpa izin lebih lanjut. Lewati pula bila kasus pemakaian Anda adalah pengujian keamanan ofensif. Pengujian itu menyangkut sistem yang bukan milik Anda. Bobot publik menolak permintaan berbahaya menurut desainnya. Varian pengujian penetrasi yang mumpuni dibatasi. Varian itu dibatasi bagi mitra yang telah melalui verifikasi. Mitra itu bekerja pada sistem yang diizinkan.

Pertanyaan yang Sering Diajukan

Apakah Mistral Large 4 itu sumber terbuka? Tidak. Model ini bukan sumber terbuka dalam pengertian yang ketat. Model ini berbobot terbuka. Bobot yang telah dilatih dapat diunduh. Bobot itu memakai Mistral Ecosystem Open-Weight License. Lisensi itu adalah lisensi MIT yang dimodifikasi. Pemakaian gratis. Modifikasi gratis. Setelan lanjut gratis. Penjualan produk gratis. Bisnis Model-as-a-Service membutuhkan lisensi komersial terpisah. Lisensi itu diperoleh dari Mistral terlebih dahulu.

Apakah Mistral Large 4 gratis? Bobotnya gratis untuk diunduh. Bobot itu dipakai sesuai syarat lisensi. Menjalankannya tidak gratis. Jalankan sendiri membutuhkan GPU kelas pusat data. API Mistral berharga 0,70 dolar AS per satu juta token masukan. API itu berharga 0,07 dolar AS per satu juta token masukan yang di-cache. API itu berharga 2,10 dolar AS per satu juta token keluaran.

Seberapa besar Mistral Large 4, dan perangkat keras apa yang dibutuhkannya? Totalnya 1,05 triliun parameter. Sebanyak 49 miliar aktif per token. Angka itu menjadi 52 miliar termasuk lapisan embedding dan lapisan keluaran. Model ini tersedia sebagai checkpoint FP8. Model ini tersedia sebagai rakitan NVFP4 untuk GPU Blackwell. Model ini disajikan dengan vLLM atau SGLang. Perlakukan model ini sebagai perangkat keras pusat data. Model ini bukan unduhan laptop. Uji rakitan NVFP4 pada GPU yang benar-benar Anda miliki.

Bagaimana Mistral Large 4 dibandingkan dengan GLM-5.3? Mistral melaporkan imbang pada Artificial Analysis Coding Agent Index. Skornya 48%. Model ini memakai 47% token lebih sedikit per tugas dibanding GLM-5.3. Model ini unggul pada FrontierCode 2.0. Skornya 19,7%. Model ini unggul pada Terminal-Bench 4.0. Skornya 41%. Angka-angka itu adalah pengukuran Mistral atas checkpointnya sendiri. Laporan teknis lengkapnya masih akan datang. Reproduksilah bandingan itu pada tugas Anda sendiri. Reproduksi itu dilakukan sebelum memutuskan.

Dapatkah saya memakai Mistral Large 4 untuk pengujian penetrasi? Tidak dengan bobot publik pada sistem yang bukan milik Anda. Model publik dibangun untuk pekerjaan defensif. Model itu menolak permintaan siber berbahaya. Tingkat penolakan rata-ratanya 96,6% dalam pengujian Mistral. Varian pengujian penetrasi khusus memang ada. Aksesnya hanya diberikan kepada mitra desain yang telah melalui verifikasi. Pengujian dibatasi pada sistem milik sendiri. Pengujian juga dibatasi pada sistem yang diizinkan secara eksplisit. Pengujian itu berlangsung dalam lingkungan terkendali.

Pendapat kami: angka terpenting di sini bukan 19,7% atau 48%. Angka itu adalah 47%. Model yang imbang dengan pesaing bobot terbuka terdepan memakai 47% token lebih sedikit per tugas. Perbedaan itu mengubah ekonomi unit agen coding. For example, bayangkan sebuah bank. Bank itu menjalankan agen coding selama satu jam. Agen itu membayar setiap pemanggilan alat. Agen itu membayar setiap percobaan ulang. Token yang lebih sedikit per tugas berarti tagihan yang lebih rendah. Pekerjaannya sama. Tagihannya lebih rendah. Mistral memasangkan efisiensi itu dengan lisensi yang menjaga penjualan kembali. Penjualan kembali lewat layanan tetap di bawah kendalinya. Mistral juga memangkas harga API. Harga itu menjadi kira-kira separuh harga pratinjau. Strateginya jelas. Berikan bobotnya. Pertahankan bisnis layanan yang dihos. Kesepakatan itu masuk akal bagi pembela dan pembangun. Syaratnya satu. Bacalah batas lisensi sebelum menjual kembali akses.

Metode artikel ini adalah membandingkan Mistral dan kartu model Hugging Face dengan liputan TechCrunch. Artikel ini melewati peninjauan editorial sebelum diterbitkan.

Kesimpulan

Singkatnya, bobot terbuka Mistral Large 4 adalah rilis model Eropa paling berdampak pada bulan ini. Dampak itu menyangkut kendali atas model. Dampak itu bukan hanya menyangkut siapa yang dapat memanggilnya. Tim yang mengunduh bobot itu memiliki penyebarannya. Tim itu memiliki penyetelan lanjutannya. Tim itu memiliki jalur datanya. Tim itu membayar dengan perangkat keras. Tim itu membayar dengan upaya rekayasa. Tim itu tidak membayar sewa API. Lisensi menutup satu pintu. Pintu itu adalah menjual kembali model sebagai layanan. Tolok ukur masih menunggu reproduksi independen. Namun, untuk agen coding, model ini kini dapat diuji. Syarat pengujiannya adalah syarat Anda sendiri. Hal yang sama berlaku untuk pekerjaan keamanan defensif. Mulailah dari bobot Hugging Face dan Mistral. Untuk konteks tentang cara agen coding diukur, bacalah artikel Microsoft Scope. Untuk sisi penyajian, bacalah artikel DeepSeek DeepInfer. Rangkuman kami sebelumnya membahas pratinjau 6 Oktober. Rangkuman itu ada dalam artikel Berita AI Minggu Ini. Anda juga dapat membaca versi bahasa Inggris artikel ini.