Mistral Large 4: Was Europas neues Open-Weight-Modell taugt
06. Oktober 2026
KI-generiert, redaktionell von 8thsense ausgewählt, geprüft und freigegeben. EU AI Act, Art. 50
Der französische KI-Anbieter Mistral hat am 6. Oktober Mistral Large 4 als öffentliche Preview vorgestellt. Das Modell hat rund eine Billion Parameter, ist per API ab 1,36 Dollar pro Million Input-Token nutzbar und soll noch im Oktober mit offenen Gewichten erscheinen. Damit bekommt Künstliche Intelligenz im Mittelstand eine ernstzunehmende europäische Option, die sich auch selbst betreiben lässt. Für Geschäftsführer stellt sich deshalb eine nüchterne Frage: Für welche Aufgaben reicht ein europäisches Modell heute, und wo bleiben OpenAI und Anthropic vorne?
Was Mistral angekündigt hat
Large 4 ist ein sogenanntes Mixture-of-Experts-Modell: Von einer Billion Parametern sind pro Anfrage nur 49 Milliarden aktiv, was Rechenaufwand und Kosten senkt. Das Modell versteht Text und Bilder, antwortet aber nur in Text, und beherrscht laut Mistral mehr als 160 Sprachen, darunter alle Amtssprachen der EU. Trainiert wurde es auf 3.800 Grace-Blackwell-GPUs in Mistrals eigenen europäischen Rechenzentren (Quelle: mistral.ai). Zum Start ist nur die API-Preview in Mistral Studio verfügbar. Mistral schreibt, die Gewichte würden „bis Ende des Monats” veröffentlicht; VentureBeat und The Next Web nennen den 27. Oktober. Vorher testen Sicherheitsforscher und Behörden das Modell. Eine Lizenzdatei gibt es noch nicht, VentureBeat zufolge soll es eine eigene Mistral-Lizenz werden (Quelle: venturebeat.com). Ob sie gewerbliche Nutzung ohne Einschränkungen erlaubt, ist damit offen.
Wo das Modell stark ist
Der größte Sprung betrifft Agenten-Aufgaben, also mehrstufige Abläufe, bei denen die KI selbstständig Werkzeuge bedient. Auf AutomationBench erreicht Large 4 laut Mistral 59,9 Prozent und liegt damit vor chinesischen Open-Weight-Modellen wie Kimi K3 und DeepSeek V4 Pro. Heise ordnet ein, dass das Vorgängermodell hier nur auf 6,3 Prozent kam (Quelle: heise.de). Für Unternehmen ebenfalls interessant:
Prompt-Injection-Schutz: Im B3-Sicherheitsbenchmark wehrt das Modell laut Hersteller 93,3 Prozent der Angriffe ab. Das ist relevant, sobald ein Agent E-Mails oder Dokumente von außen verarbeitet.
Dokumente und Bilder: Bei der Erkennung von Objekten in Bildern (Visual Grounding) liegt es in einzelnen Tests vor GPT-6 Astra (Quelle: thenextweb.com).
Fachaufgaben: In Finanz- und Rechtsbenchmarks führt es nach Herstellerangaben unter den offenen Modellen.
Alle Zahlen stammen vom Hersteller oder beruhen auf dessen Material. Unabhängige Tests der Preview stehen noch aus.
Wo die US-Modelle vorne bleiben
Beim Programmieren ist der Abstand deutlich. Mistral nennt 61,7 Prozent auf DeepSWE v1.1 und sieht sich damit an der Spitze der offenen Modelle. VentureBeat relativiert: Auf Live-Ranglisten kommen GLM-5.3 und Kimi K3 auf etwa 69 Prozent, GPT-6 Astra, Gemini 3.8 Flash und Claude Opus 5 auf rund 74 Prozent. Auch heise schreibt, die Ergebnisse der führenden Modelle von OpenAI und Anthropic lägen „deutlich höher”. Selbst Mistrals eigene Bewertung durch menschliche Tester setzt Large 4 mit 3,74 von 5 Punkten klar hinter Claude Opus 5 mit 4,22. Wer KI vor allem für Softwareentwicklung einsetzt, hat mit Large 4 also keinen Grund zum Wechsel. Für Texte, Zusammenfassungen, Klassifikation und Workflow-Automation zählt dieser Abstand weit weniger.
Preise, Datenschutz und Selbstbetrieb
Mistral listet für die Preview 1,36 Dollar pro Million Input-Token und 4,18 Dollar pro Million Output-Token (Quelle: mistral.ai). Heise nennt abweichend „gut 2 Euro” pro Million Output-Token; maßgeblich ist die Angabe des Anbieters. Grob gerechnet kosten tausend Anfragen mit je rund 2.000 Token Eingabe und 500 Token Antwort damit etwa fünf Dollar. Beim Datenschutz wirbt Mistral mit einer europäischen Instanz, die das Unternehmen „unabhängig von anderen digitalen Dienstleistern und unter europäischem Recht” betreibt. Das ist ein Vorteil gegenüber US-Anbietern, ersetzt aber keinen Auftragsverarbeitungsvertrag und keine eigene Prüfung. Den Selbstbetrieb sollte man nüchtern sehen: Grob gerechnet braucht ein Modell mit einer Billion Parametern selbst bei 8-Bit-Komprimierung rund ein Terabyte Speicher allein für die Gewichte. Das ist Rechenzentrums-Hardware, kein Server im Büro.
Was das für Unternehmen bedeutet
Large 4 ist kein Grund, bestehende Lösungen hektisch umzubauen, aber ein guter Anlass, die eigene Abhängigkeit zu prüfen. Offene Gewichte haben einen strategischen Wert: Kein Anbieter kann ein Modell, das man selbst vorhält, einfach abschalten oder verändern. Praktisch heißt das: Wer KI-Automation in Abläufen wie Angebotserstellung, Posteingang oder Terminkoordination nutzt, sollte sie so bauen, dass sich das Modell austauschen lässt. Ein Pflegedienst, der Anfragen klassifiziert, oder eine Tanzschule, die Kursanfragen beantwortet, kann denselben Prozess mit Large 4 und mit einem US-Modell testen und Qualität sowie Kosten vergleichen. Der Aufwand dafür ist überschaubar, wenn die Prozessautomatisierung sauber über eine Schnittstelle läuft statt fest in einem einzelnen Tool verdrahtet zu sein.
Genau hier scheitern viele Projekte: Die KI hängt direkt in einer SaaS-Oberfläche, Daten liegen verteilt, und ein Modellwechsel bedeutet Neubau. Sinnvoll ist ein kleiner Start mit einem klar umrissenen Prozess, eigenen Testfällen und einer neutralen Integrationsschicht. Wer vorab einschätzen will, welche Abläufe sich dafür eignen, kann mit einem KI-Potenzial-Check beginnen. Die eigentliche Entscheidung zwischen europäischem und US-Modell fällt dann nicht im Bauch, sondern am konkreten Anwendungsfall.
