Mistral rilis bobot Mistral Large 4 berparameter 1 triliun, bisa diunduh dan dijalankan sendiri
Mistral membuka bobot model Mistral Large 4 yang berparameter 1 triliun pada 29 Oktober 2026. Model ini bisa diunduh di Hugging Face, tetapi versi terkuantisasinya saja membutuhkan empat GPU Nvidia B200 atau B300.
Perusahaan AI asal Prancis, Mistral, pada 29 Oktober 2026 merilis bobot (weights) Mistral Large 4 atau ML4, model multimodal berparameter 1 triliun yang dijuluki "Le Chonk". Menurut TechCrunch, bisnis dan pemerintah kini dapat mengunduhnya lalu menjalankannya di infrastruktur sendiri. Bobot tersedia di Hugging Face dan lewat API Mistral.
Bobot adalah angka hasil pelatihan yang menentukan perilaku model. Model dengan bobot terbuka bisa dipasang di server milik sendiri, sehingga data tidak harus dikirim ke penyedia cloud. Parameter adalah jumlah angka penyusun model itu.
Spesifikasi dan kebutuhan perangkat keras
The Next Web (TNW) melaporkan bahwa ML4 membaca teks dan gambar, lalu menghasilkan teks dan kode. Dari 1 triliun parameternya, 52 miliar diaktifkan untuk setiap tugas. Mistral juga merilis versi terkuantisasi, yaitu versi dengan ketelitian angka yang dikurangi agar lebih ringan, dan versi itu berjalan di empat GPU Nvidia B200 atau B300. Kebutuhan ini cukup besar bagi kebanyakan tim kecil.
Untuk pelatihannya, TNW mencatat ML4 dilatih dengan 3.800 GPU Nvidia Grace Blackwell di Eropa. Tahap reinforcement learning, yakni pelatihan lanjutan lewat umpan balik hasil kerja model, dijalankan di komputasi Mistral sendiri di Prancis dengan daya sekitar 10 megawatt.
Hasil uji yang dilaporkan
Mistral menyebut tiga minggu tambahan reinforcement learning, dengan masukan pelanggan, membuat versi final ini lebih kuat daripada pratinjaunya untuk pemrograman agentik dan pertahanan siber. Pemrograman agentik berarti model mengerjakan tugas kode secara bertahap dan mandiri, misalnya lewat terminal.
| Uji | Hasil ML4 | Pembanding |
|---|---|---|
| Terminal-Bench 4.0 | 41%, naik dari 28% saat pratinjau | GLM-5.3: 40% |
| CyberGym-E2E | 79% | MiMo-V2.6-Pro: 79%; DeepSeek V4.1 Flash: 76% |
TNW menjelaskan bahwa CyberGym-E2E menguji kemampuan model menemukan, mereproduksi, dan menambal bug keamanan memori pada proyek open-source berbahasa C dan C++. Pada Coding Agent Index milik Artificial Analysis, ML4 disebut setara dengan GLM-5.3, pesaing open-weight dari Tiongkok, tetapi memakai 47% lebih sedikit token per tugas. Seluruh angka ini berasal dari klaim Mistral yang dikutip kedua media.
Sebagai tanggapan atas permintaan penguji awal, Mistral menambahkan mode penalaran rendah dan sedang di samping mode tinggi. Menurut TNW, mode tinggi dibuat 50% lebih efisien, dan sebagian pelanggan sudah memakai ML4 untuk uji penetrasi otomatis pada aplikasi mereka sendiri.
Argumen soal kendali dan risiko
Pierre Stock, Vice President of Science Mistral, menyatakan kepada TechCrunch bahwa rilis bobot memberi organisasi akses ke kecerdasan frontier untuk bertahan dari serangan siber, dan akses itu tidak bisa diputus. TNW menambahkan bahwa Stock membandingkan AI dengan listrik: tidak ada perusahaan yang semestinya bergantung pada pihak yang bisa memutus aksesnya sewaktu-waktu. TNW juga mencatat bahwa pesaing Mistral berpendapat model terbuka membawa risiko lebih besar.
Apa artinya bagi pembaca
Bagi tim TI, teknisi otomasi industri, dan mahasiswa teknik di Indonesia, model berbobot terbuka dengan kemampuan menganalisis kode membuka opsi untuk menelaah kode dan celah keamanan tanpa mengirim data keluar. Namun sumber tidak menyebut dukungan khusus untuk pengguna di Indonesia. Kebutuhan empat GPU kelas B200 atau B300 untuk versi terkuantisasi menjadi hambatan nyata bagi kebanyakan pengguna perorangan.
TNW melaporkan bahwa versi lebih kecil hasil distilasi, termasuk satu yang bisa berjalan di laptop, dijanjikan dalam beberapa bulan ke depan, tanpa tanggal pasti. Harga API ML4 juga belum dipublikasikan saat laporan TNW terbit.