mistralai
Mistral: Mistral Large 4
mistralai/mistral-large-4-0
Nossa análise
Análise com auxílio de IA baseada nas fontes abaixo. A adequação é uma avaliação editorial; teste com suas próprias tarefas.
Mistral Large 4 é o principal modelo de pesos abertos da Mistral AI: um Mixture-of-Experts nativamente multimodal com cerca de 1 trilhão de parâmetros totais e aproximadamente 52 bilhões ativos por token, aceitando texto e imagens e gerando texto em uma janela de contexto de 1 milhão de tokens. Segundo a documentação do fornecedor, unifica seguimento de instruções, raciocínio configurável, programação e fluxos agênticos, com forças alegadas em cibersegurança, finanças, direito e ancoragem visual. Está disponível na API da Mistral e em agregadores como o OpenRouter, e também pode ser auto-hospedado com vLLM ou SGLang, embora com infraestrutura exigente.[1][2]
Pontos fortes
- Segundo benchmarks reportados pelo próprio fornecedor, desempenho de ponta em programação agêntica entre modelos de pesos abertos, com uso de tokens por tarefa substancialmente menor que o modelo comparável líder.[2]
- A Mistral AI afirma fluência nativa em mais de 160 idiomas, incluindo todos os idiomas oficiais da UE.[2]
- Ampla superfície de recursos em um único conjunto de pesos: entrada de texto e imagem, saída de texto, chamadas de função, aplicação estrita de esquemas JSON, esforço de raciocínio configurável e janela de contexto de 1 milhão de tokens.[1][2]
Limitações
- A evidência se limita à ficha do fornecedor e a uma listagem de agregador, que divergem até sobre quais níveis de esforço de raciocínio são expostos; nenhuma avaliação independente foi incluída, portanto valide com suas próprias cargas de trabalho.[1][2]
- A auto-hospedagem é pesada: com cerca de 1 trilhão de parâmetros, as receitas de referência do fornecedor usam oito GPUs, e a própria Mistral sugere sua API se o serviço local for insuficiente.[2]
- Ressalva de licença: a licença modificada de pesos abertos da Mistral permite uso comercial e não comercial, mas operar um negócio de modelo como serviço exige uma licença comercial separada.[2]
Onde usar
- Opção plausível para assistentes de programação agênticos e pipelines com ferramentas, dadas as chamadas de função nativas e a eficiência de tokens relatada pelo fornecedor.[2]
- Vale avaliar para análise de documentos e imagens de contexto longo, como gráficos, desenhos técnicos e tarefas de ancoragem visual, conforme as alegações de visão da ficha.[2]
- Candidato para produtos multilíngues, especialmente em idiomas da União Europeia, com base nas alegações do fornecedor e não em testes independentes.[2]
Fontes
- [1] OpenRouter catalog · Mistral: Mistral Large 4Fontes consultadas: 13 de nov. de 2026
- [2] Model documentation · Mistral: Mistral Large 4Fontes consultadas: 13 de nov. de 2026
Sobre este modelo
A descrição abaixo é o texto original fornecido pelo OpenRouter, no idioma da fonte.
Mistral Large 4 is a frontier multimodal (text and image input) model from Mistral AI built for reasoning, coding, and agentic workloads. It offers a 1M-token context window with up...
Especificações
- ID do modelo
- mistralai/mistral-large-4-0
- ID canônico
- mistralai/mistral-large-4-0-20261006
- Criador
- mistralai
- Adicionado ao OpenRouter
- 06.10.2026
- Comprimento de contexto
- 1,048,576
- Modalidade
- text+image->text
- Modalidades de entrada
- text, image
- Modalidades de saída
- text
- Preço por token
- USD por 1M de tokens: entrada $0.700 / saída $2.1
- Corte de conhecimento
- —
- Data de expiração
- —
Tarefas e capacidades
Uma nota aparece apenas quando a fonte fornece uma medição correspondente para aquela tarefa, o modelo está ativo e a coorte tem pelo menos 10 modelos comparáveis. A coluna de capacidade lista fatos declarados pela fonte — formatos compatíveis, raciocínio e parâmetros de ferramentas — que não são qualidade medida.
| Tarefa | Nota | Capacidade declarada pela fonte |
|---|---|---|
| Qualidade geral | BB — próximos 30% da coorte | raciocínio: opcional · padrão high · esforços: high, none · parâmetros: include_reasoning, reasoning, reasoning_effort |
| Programação | Sem medição | — |
| Agentes | Sem medição | parâmetros: structured_outputs, tool_choice, tools |
| Escrita | Sem medição | saída: text |
| Raciocínio | Sem medição | raciocínio: opcional · padrão high · esforços: high, none · parâmetros: include_reasoning, reasoning, reasoning_effort |
| Análise de documentos | Sem medição | — |
| Visão | Sem medição | entrada: image |
| Geração de imagens | Sem medição | — |
| Áudio | Sem medição | — |
| Vídeo | Sem medição | — |
| Embeddings | Sem medição | — |
Avaliações
| Fonte | Benchmark | Valor | Nota | Dados obtidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 26.1 | BB — próximos 30% da coorte | 13.11.2026 |
| Design Arena | models · 3dtaxa de vitória 45.8% · posição 33 | 1,242Elo | AA — próximos 20% da coorte | 13.11.2026 |
| Design Arena | models · asciiarttaxa de vitória 43.5% · posição 25 | 1,204Elo | BB — próximos 30% da coorte | 13.11.2026 |
| Design Arena | models · codecategoriestaxa de vitória 46.9% · posição 40 | 1,256Elo | BB — próximos 30% da coorte | 13.11.2026 |
| Design Arena | models · dataviztaxa de vitória 51.3% · posição 24 | 1,274Elo | AA — próximos 20% da coorte | 13.11.2026 |
| Design Arena | models · gamedevtaxa de vitória 40.2% · posição 52 | 1,205Elo | BB — próximos 30% da coorte | 13.11.2026 |
| Design Arena | models · svgtaxa de vitória 44.9% · posição 22 | 1,224Elo | AA — próximos 20% da coorte | 13.11.2026 |
| Design Arena | models · uicomponenttaxa de vitória 49% · posição 28 | 1,279Elo | AA — próximos 20% da coorte | 13.11.2026 |
| Design Arena | models · websitetaxa de vitória 48% · posição 38 | 1,259Elo | AA — próximos 20% da coorte | 13.11.2026 |
Como funcionam as notas
Cada nota compara um modelo apenas com outros modelos avaliados pela mesma fonte e métrica no snapshot atual. S é o top 10%, A os 20% seguintes, B os 30% seguintes e C o restante. Modelos sem medição publicada aparecem como não avaliados — um formato compatível nunca implica qualidade medida.
- S — S — top 10% da coorte
- A — A — próximos 20% da coorte
- B — B — próximos 30% da coorte
- C — C — abaixo da faixa B
Provedores
Estatísticas opcionais de provedores ao vivo do OpenRouter. Valores ausentes são desconhecidos, não zero.
| Provedor | Comprimento de contexto | Preço entrada /1M | Preço saída /1M | Latência p50 (30m, s) | Taxa p50 (30m, tok/s) | Disponibilidade (30m) |
|---|---|---|---|---|---|---|
| Mistral | 1,048,576 | $0.700 | $2.1 | — | — | 100% |
| Mistral | 524,288 | $0.770 | $2.31 | — | — | 100% |
Dados de provedores obtidos: 13.11.2026
Artigos relacionados
Nenhum artigo publicado identifica este modelo ainda.