Mistral Large 4: starke Cyber-Werte, aber kein belegter Gesamtsieg über China

Im Gesamtvergleich bleibt die chinesische Open-Weight-Spitze vorn

Im von Artificial Analysis erstellten Intelligence Index erreichte Mistral Large 4 Preview laut ActuIA am 6. Oktober 38 Punkte. Damit lag es deutlich über früheren Mistral-Modellen, aber hinter mehreren chinesischen Open-Weight-Modellen: Genannt werden unter anderem MiMo-V2.6-Pro mit 46, GLM-5.3 mit 45 und Kimi K3 mit 44 Punkten. The Decoder nennt für Claude Opus 5.5 zum Vergleich 58 Punkte. [2][4]

Das Ergebnis stützt die Aussage, dass Large 4 einen erheblichen Sprung gegenüber früheren Mistral-Modellen darstellt. Es belegt aber keinen allgemeinen Vorsprung vor der Konkurrenz aus China. Mistrals eigene Formulierung bei der Vorstellung war enger gefasst: Das Modell sei mit den stärksten offenen Modellen weltweit konkurrenzfähig und übertreffe Open-Weight-Modelle aus den USA und Europa. Einen eindeutigen Gesamtsieg gegenüber den stärksten chinesischen Modellen beanspruchte das Unternehmen damit nicht. [2][3]

Für Unternehmen ist der Unterschied zwischen einem Spitzenwert in einem Einzeltest und einer hohen Platzierung in einer breiten Bewertung praktisch relevant. Ein Modell kann bei Cybersecurity oder bestimmten Coding-Aufgaben einen Vorteil haben, ohne über verschiedene Aufgabenfelder hinweg insgesamt vorn zu liegen. Der Intelligence Index spricht daher gegen eine pauschale Einordnung von Large 4 als überlegenem Modell, liefert aber keine abschließende Antwort für einen konkreten Anwendungsfall. [2][4]

• Artificial Analysis führte Large 4 Preview im Intelligence Index mit 38 Punkten; mehrere der dort höher bewerteten offenen Modelle stammen laut ActuIA aus China. [2]
• Mistrals Behauptung eines deutlichen Vorsprungs bezieht sich auf offene Modelle aus den USA und Europa, nicht auf die gesamte chinesische Konkurrenz. [3]

Vorsicht bei Aussagen über einen Wettbewerbssieg

Die verfügbaren Daten sprechen für eine deutliche Verbesserung gegenüber Mistrals Vorgängermodellen, nicht aber für eine pauschale Ranglistenführerschaft. Zudem wurden die unabhängigen Vergleichswerte für eine Preview-Version erhoben, während Mistral nach eigenen Angaben das Reinforcement-Learning-Training fortsetzt und weitere Verbesserungen erwartet. Die Werte sind deshalb als Momentaufnahme und nicht als dauerhaftes Leistungsprofil zu lesen. [2][3][4]

Cybersecurity ist die am besten belegte Stärke

Am klarsten fällt das Ergebnis bei einer eng umrissenen Sicherheitsaufgabe aus. Im CyberGym-E2E-Test soll ein Modell eine reale Schwachstelle in Open-Source-Software reproduzieren und anschließend beheben. Artificial Analysis bewertete die Large-4-Preview laut ActuIA mit 81,7 Prozent Erfolgsquote, dem höchsten Wert unter den 18 in diesem Test erfassten Modellen. Mistral rundet den Wert in seiner eigenen Darstellung auf 82 Prozent. [2][3]

Im umfassenderen Cyber Index von Artificial Analysis kam Large 4 Preview laut ActuIA auf 49,5 Punkte und Platz fünf unter 18 Modellen. Vor ihm lagen Grok 4.7, MiMo-V2.6-Pro, GPT-6 Luna und GLM-5.3-Flash. Das Ergebnis ordnet Large 4 in diesem Vergleich in die Spitzengruppe ein, zeigt aber zugleich, dass es im Gesamtindex nicht an der Spitze steht. [2]

Ein wesentlicher Faktor ist, dass einige Vergleichsmodelle die Aufgabe häufig ablehnten. ActuIA berichtet für GPT-6 Astra eine Erfolgsquote von null Prozent und eine Ablehnungsrate von 100 Prozent; Claude Opus 5.5 erreichte demnach 0,8 Prozent bei 98,5 Prozent Ablehnungen. Der CyberGym-E2E-Wert misst somit nicht nur, wie gut ein Modell eine Schwachstelle analysieren und beheben kann, sondern wird auch von den Sicherheitsrichtlinien des jeweiligen Anbieters beeinflusst. Das macht den Vergleich für legitime Sicherheitsforschung relevant, schränkt aber seine Aussage über die reine technische Fähigkeit ein. [2]

Mistral argumentiert, dass solche Ablehnungen legitime Schwachstellenforschung und die Reaktion auf Sicherheitsvorfälle behindern können. Das Unternehmen verweist außerdem darauf, dass Large 4 bei schädlichen Cyber-Anfragen eine hohe Ablehnungsrate aufweise und im B3-AI-Security-Benchmark 93,3 Prozent der Angriffe abgewehrt habe. Diese Angaben stammen aus Mistrals eigener Veröffentlichung; sie belegen für sich genommen nicht, wie zuverlässig das Modell zwischen legitimer Analyse und missbräuchlicher Nutzung unterscheidet. [3][4]

• Unabhängige Messung der Preview: 81,7 Prozent bei CyberGym-E2E und Platz fünf im Artificial Analysis Cyber Index. [2]
• Die niedrigen Werte einzelner geschlossener Modelle hängen in diesem Test mit hohen Ablehnungsraten zusammen; die Ergebnisse sind daher nicht ausschließlich als Leistungsvergleich zu interpretieren. [2]

Offene Gewichte und Dual-Use-Risiken

Mistral ließ die Vorschau nach eigener Aussage zunächst von Cybersecurity-Unternehmen, ausgewählten Partnern und staatlichen Stellen unter Bedingungen mit reduzierter Moderation und erweiterten Cyber-Fähigkeiten testen. Die Veröffentlichung der Gewichte verändert die Kontrollmöglichkeiten: Unternehmen können das Modell selbst betreiben und eigene Richtlinien anwenden, doch herunterladbare Gewichte lassen sich auch weiter anpassen. Die Quellen belegen daher sowohl einen möglichen Vorteil für Sicherheitsbetrieb als auch die Schwierigkeit, die Nutzung nach der Veröffentlichung zentral zu begrenzen. [1][3]

Coding-Ergebnisse hängen vom gewählten Test ab

Bei agentischem Coding verweist Mistral auf 61,7 Prozent bei DeepSWE v1.1 und 28,3 Prozent bei Terminal Bench 4.0. Das Unternehmen berichtet außerdem einen kombinierten Coding-Agent-Index von 49,8 Prozent und ordnet Large 4 dabei vor DeepSeek V4 Pro und Qwen3.8 Max ein. t3n zufolge liegt das Modell bei Terminal Bench 4.0 mit GLM-5.3 gleichauf. Diese Resultate werden von Mistral kommuniziert; die Quellen liefern keine unabhängige Nachmessung der nun veröffentlichten Gewichte. [1][3]

Ein von Mistral beauftragter Blindtest zur Codequalität bietet eine weitere, aber anders gelagerte Perspektive. Professionelle Bewerter bewerteten die Ausgaben laut Unternehmensangaben ohne Kenntnis der Modellidentität; Large 4 Preview erreichte 3,74 von fünf Punkten und Platz zwei unter fünf Modellen, hinter Claude Opus 5. Das ist ein Vergleich menschlich bewerteter Antworten und nicht gleichbedeutend mit einem Nachweis, dass das Modell in realen Entwicklungsumgebungen regelmäßig bessere Ergebnisse liefert. [3][4]

Für die Auswahl eines Coding-Modells sollten Sie deshalb die Benchmark-Aufgabe mit Ihrem Einsatzprofil abgleichen. Ein Test für agentische Terminal-Aufgaben, ein Blindtest zur Codequalität und ein breiter Leistungsindex prüfen unterschiedliche Eigenschaften. Aus den vorliegenden Zahlen lässt sich eine ernstzunehmende Coding-Leistung ableiten; eine allgemeine Überlegenheit gegenüber allen Wettbewerbern folgt daraus nicht. [1][2][3][4]

• Mistral nennt 61,7 Prozent bei DeepSWE v1.1 und 28,3 Prozent bei Terminal Bench 4.0; t3n berichtet bei Terminal Bench von einem Gleichstand mit GLM-5.3. [1][3]
• Im von Mistral beschriebenen Blindtest lag Large 4 Preview bei der Codebewertung hinter Claude Opus 5, aber vor den dort verglichenen offenen Modellen Kimi K3 und GLM-5.3. [3][4]

Souveränität bedeutet mehr als einen europäischen Serverstandort

Mistral gibt an, Large 4 von Grund auf auf 3.800 Nvidia Grace-Blackwell-GPUs in eigenen europäischen Rechenzentren trainiert zu haben. Auch die öffentliche Preview sei auf dieser Infrastruktur gelaufen. Das Unternehmen kündigt darüber hinaus eine europäische Bereitstellung an, die es selbst und unter europäischem Recht betreiben will; mit den Gewichten soll zudem ein Betrieb in einer privaten Cloud oder lokal im eigenen Rechenzentrum möglich sein. [3][4]

Diese Eigenschaften können Unternehmen mehr Kontrolle über Betrieb und Datenverarbeitung geben, sofern sie das Modell tatsächlich selbst oder in einer passenden europäischen Umgebung einsetzen. Sie belegen jedoch nicht automatisch vollständige technologische Unabhängigkeit: Das Training beruht auf Nvidia-Beschleunigern, und die Quellen nennen keine Referenz-Hardwarekonfiguration oder Betriebskosten für den Selbstbetrieb. Das ist eine analytische Einschränkung der vorliegenden Souveränitätsaussage, keine Aussage über konkrete Liefer- oder Vertragsbedingungen. [2][3]

Auch die Gewichtsveröffentlichung ist nicht mit vollständiger Offenlegung gleichzusetzen. ActuIA hielt in den frühen Modellunterlagen fest, dass dort keine Lizenz genannt wurde. Mistrals Ankündigung stellte weitere Angaben zu Architektur, Benchmarks und Post-Training-Methoden in Aussicht; der t3n-Bericht bestätigt die Veröffentlichung der Gewichte, nennt aber keine konkreten Lizenzbedingungen. Für eine geschäftliche Nutzung sollten Sie deshalb die Lizenz der tatsächlich bereitgestellten Version prüfen, statt allein aus dem Begriff Open Weight auf freie Weiterverwendung zu schließen. [1][2][3]

Mistral berichtet außerdem, dass Trainingsdaten mehr als 160 Sprachen abdecken, darunter alle offiziellen Sprachen der Europäischen Union. Das ist für international tätige Unternehmen und öffentliche Einrichtungen relevant, sagt jedoch für sich allein nichts darüber aus, wie gleichmäßig die Modellqualität über Sprachen, Fachgebiete und einzelne Aufgaben verteilt ist. [3][4]

• Belegt sind Mistrals Angaben zu Training und Preview auf eigener europäischer Infrastruktur sowie die angekündigten Möglichkeiten für europäische Bereitstellung und Selbstbetrieb. [3][4]
• Die Quellen enthalten keine ausreichenden Angaben, um Lizenz, benötigte Hardware und Gesamtkosten des Eigenbetriebs abschließend zu beurteilen. [1][2]

Betriebskosten und Hardware bleiben Beschaffungsfragen

Die veröffentlichten API-Preise aus der Vorschauphase sind in den Quellen nicht einheitlich dokumentiert. t3n nennt 1,40 US-Dollar pro Million Input- und 4,20 US-Dollar pro Million Output-Tokens. ActuIA berichtet zunächst von 1,36 beziehungsweise 4,18 US-Dollar und anschließend von in der Dokumentation angezeigten, halbierten Preisen von 0,68 und 2,09 US-Dollar. The Decoder führt ebenfalls beide Preisstände auf. Die Quellen klären nicht, welche Preise nach der Veröffentlichung der Gewichte aktuell gelten. [1][2][4]

API-Preise beantworten zudem nicht die Frage nach den Gesamtkosten des selbst gehosteten Modells. ActuIA zufolge fehlte eine veröffentlichte Referenzkonfiguration für die Hardware; t3n weist darauf hin, dass das Modell in voller Größe nicht für einzelne Beschleuniger oder Gaming-PCs ausgelegt ist. Mistral kündigte kleinere quantisierte Versionen an, die später auch auf Laptops oder Gaming-PCs laufen sollen. Zum Zeitpunkt des t3n-Berichts waren diese Versionen jedoch noch für die kommenden Wochen angekündigt, nicht als bereits verfügbar bestätigt. [1][2]

Für eine Beschaffungsentscheidung ist daher zwischen drei Betriebswegen zu unterscheiden: einer gehosteten API, einer von Mistral betriebenen europäischen Bereitstellung und einem selbst verwalteten Einsatz mit Gewichten. Die Quellen nennen für diese Optionen unterschiedliche Kontrollmöglichkeiten, aber keine vollständige Vergleichsrechnung zu Infrastruktur, Betrieb, Lizenz und Support. Unternehmen müssen diese Punkte folglich anhand der konkreten Vertrags- und Modelldokumentation klären. [1][2][3]

Was Unternehmen aus dem Start ableiten können

Large 4 ist ein relevanter Fortschritt für Mistral, weil die verfügbaren unabhängigen Preview-Daten eine starke CyberGym-E2E-Leistung und eine deutliche Verbesserung gegenüber früheren Mistral-Modellen zeigen. Zugleich weist der breite Intelligence Index weiterhin mehrere chinesische Open-Weight-Modelle vor Large 4 aus. Die angemessene Einordnung lautet daher: leistungsfähige europäische Alternative mit belegten Stärken in bestimmten Aufgaben, aber kein nachgewiesener Gesamtsieg im internationalen Modellvergleich. [2][4]

Für Security-Teams kann die Fähigkeit, Schwachstellen zu reproduzieren und zu beheben, besonders relevant sein, wenn bestehende Anbieter Anfragen aus Sicherheitsgründen ablehnen. Vor einem produktiven Einsatz sind jedoch die eigenen Schutzregeln, Zugriffskontrollen und Prozesse für den Umgang mit missbräuchlichen Anfragen zu prüfen. Die vorliegenden Quellen dokumentieren Mistrals Angaben zu Sicherheitstests, erklären aber nicht vollständig, wie sich die Fähigkeiten der veröffentlichten Gewichte in einer konkreten Unternehmensumgebung kontrollieren lassen. [2][3][4]

Für Coding- und Wissensarbeitsanwendungen sollten Sie die angekündigte Leistung nicht mit einem bereits nachgewiesenen Produktivitätsgewinn gleichsetzen. Die verfügbaren Angaben beruhen überwiegend auf Benchmark-Resultaten, Unternehmensangaben oder einer beauftragten menschlichen Bewertung; sie quantifizieren nicht den Nutzen in den individuellen Entwicklungs- und Geschäftsprozessen eines Käufers. Ein belastbarer Vergleich erfordert deshalb Tests mit repräsentativen Aufgaben, den tatsächlich vorgesehenen Gewichten und den eigenen Anforderungen an Lizenz, Infrastruktur und Datensouveränität. [1][3][4]

Quellen

1. [1] Mistral Large 4 jetzt auf Hugging Face: Benchmarks zeigen Leistungssprung — https://t3n.de/news/mistral-large-4-gewichte-veroeffentlicht-coding-cyber-benchmarks-1770559 (abgerufen am 2026-10-29)
2. [2] Mistral Large 4: How good is the 'best open model outside China'? — ActuIA — https://www.actuia.com/en/news/mistral-large-4-how-good-is-the-best-open-model-outside-china (abgerufen am 2026-10-29)
3. [3] Introducing Mistral Large 4 | Mistral — https://mistral.ai/news/mistral-large-4 (abgerufen am 2026-10-29)
4. [4] Mistral Large 4 is Europe's trillion-parameter answer to US models that refuse security work — https://the-decoder.com/mistral-large-4-is-said-to-be-the-most-powerful-open-ai-model-from-europe-and-the-u-s (abgerufen am 2026-10-29)
5. [5] Mistral Large 4: Europas KI-Hoffnung meldet sich zurück | Trending Topics — https://www.trendingtopics.eu/mistral-large-4 (abgerufen am 2026-10-29)