Mistral frigav den 29. oktober modellen til sin frontier-model Large 4, kaldenavn Le Chonk. Det betyder, at enhver virksomhed nu kan hente en billion-parameter model ned fra Hugging Face og køre den på eget udstyr, bag egen firewall, uden at sende en eneste byte til en amerikansk eller kinesisk sky. Modellen er trænet fra bunden i Europa, den forstår alle EU's officielle sprog, og den må bruges kommercielt. For regulerede danske brancher er det en af de mest interessante AI-nyheder i år.
Spørgsmålet er bare ikke længere, om man kan få en stærk model på eget jern. Det kan man. Spørgsmålet er, hvad det koster, hvad licensen tillader, og om modellen er god nok til jeres opgaver. Vi har læst Mistrals eget lanceringsindlæg, modelkortet på Hugging Face og de uafhængige målinger. Her er tallene, forbeholdene og den ærlige vurdering: Large 4 er stærk og billig til kode og agenter, men den er ikke på niveau med Claude og Gemini, og selv-hosting kræver hardware, som ingen dansk SMV har stående.
Large 4 er en multimodal Mixture-of-Experts model med cirka en billion parametre i alt. Pr. token er kun omkring 49 milliarder aktive (52 milliarder, hvis man tæller embedding- og output-lag med). Den rummer 128 eksperter, hvoraf fire arbejder ad gangen, plus én delt ekspert. I praksis er kun omkring fem procent af modellen aktiv for hvert enkelt ord, og det er forklaringen på, at modellen er billig at køre i forhold til sin størrelse.
Modellen tager tekst og billeder ind og giver tekst ud. Den har et kontekstvindue på en million tokens, så den kan læse lange kontrakter, store kodebaser eller tekniske tegninger i ét hug. Ifølge modelkortet taler den flydende 160 sprog eller flere, inklusive alle EU's officielle sprog. Dansk er altså dækket, men Mistral oplyser ikke, hvor godt den reelt skriver dansk sammenlignet med GPT, Claude og Gemini. Det er stadig noget, I selv skal teste.
En nyttig detalje for udviklere: modellen har tre ræsonnementsniveauer, low, medium og high, hvor high er standard. I kan skrue ned for et simpelt kald og spare både tid og penge, eller skrue op, når en opgave kræver præcision. Det er den samme model, der håndterer instruktion, ræsonnement, kodning og agent-arbejdsgange, så I slipper for at jonglere flere modeller.
Her er det vigtigt at skille Mistrals egne tal fra de uafhængige. Mistral fremhæver, at Large 4 scorer 48 procent på Artificial Analysis' indeks for kodeagenter, stort set lige med den stærkeste åbne model GLM-5.3, men med 47 procent færre tokens pr. opgave. På Terminal-Bench 4.0 steg modellen 13 point til 41 procent fra previewen i starten af måneden, og den fører blandt åbne modeller på Cognitions private FrontierCode 2.0 med 19,7 procent. Alt dette står i Mistrals eget lanceringsindlæg.
De uafhængige tal tegner et køligere billede. Teknologimediet The Decoder gengiver Artificial Analysis' samlede Intelligence Index v5, hvor Large 4 i high-tilstand lander på 26 point. Til sammenligning scorer kinesiske DeepSeek V4.1 Flash og GLM-5.3 begge 32, MiMo-V2.6-Pro får 30, og medianen for åbne modeller af samme størrelse er 23. Googles Gemini 4 Carbon fører hele feltet med 59, ét point foran Claude Opus 5.5. Med andre ord: Large 4 er stærk blandt de vestlige åbne modeller, men den er hverken bedst blandt de åbne eller i nærheden af de lukkede frontier-modeller.
På kode bliver forskellen konkret. På FrontierCode 2.0 scorer Claude Opus 5.5 46 procent mod Large 4's 19,7, og Opus 5.5 topper indekset for kodeagenter med 62 point. I Mistrals egen blindtest hos Surge foretrak testerne Large 4's kode over GLM-5.3, Kimi K3 og DeepSeek, men mod Opus 5.5 vandt Large 4 kun 22 procent af sammenligningerne. Modellens reelle styrke er ikke, at den er bedst, men at den er hurtig og billig: ifølge The Decoders gennemgang af Artificial Analysis-tallene genererer den 161 tokens i sekundet, og en indeksopgave koster i snit 2,06 dollar mod 5,54 for previewen.
Mistral kalder også modellen den stærkeste åbne model til cyberforsvar, med en score på 51 på Artificial Analysis' Cyber Index og en afvisningsrate på 96,6 procent af ondsindede forespørgsler. Den påstand skal læses med forsigtighed. På selve cyber-indekset er Large 4 ifølge The Decoder kun nummer tre blandt de åbne modeller, bag DeepSeek V4.1 Flash og MiMo, og Moonshots Kimi K3.1 Pro fører hele indekset med 64. En leverandørs egen overskrift og en uafhængig placering er to forskellige ting.
Via Mistrals API koster Large 4 0,70 dollar pr. million input-tokens, 0,07 dollar for cachet input og 2,10 dollar pr. million output-tokens. Det er et markant fald fra previewen, hvor listeprisen var 1,36 og 4,18 dollar. For danske teams, der vil teste modellen uden at investere i hardware, er API-vejen oplagt: en måneds eksperimenter koster typisk få hundrede kroner, og I får svar på det vigtigste spørgsmål, nemlig om modellen overhovedet er god nok til jeres opgaver, før I begynder at regne på servere.
Licensen er det punkt, der overrasker flest. Modellen udgives under Mistral Ecosystem Open-Weight License, som Mistral selv beskriver som en modificeret MIT-licens. I må frit bruge, ændre, finetune og kommercialisere modellen, med én betingelse: driver I en Model-as-a-Service forretning, altså sælger adgang til modellens inferens som en tjeneste, skal I have en separat kommerciel licens fra Mistral. For langt de fleste virksomheder, der vil bruge modellen internt, er det uden betydning. For platforme og hostingudbydere, der vil videresælge Large 4, er det afgørende. Læs licensteksten, før I bygger en forretning oven på den.
Et open-weight-mærkat betyder altså ikke automatisk fri bane. Open-weight vil sige, at vægtene er frit tilgængelige til download, men licensvilkårene afgør, hvad I må gøre med dem. Det er den samme skelnen, vi har beskrevet i andre modeller, I kan hente ned.
Her ligger den reelle forhindring for danske virksomheder. MoE-designet holder prisen pr. token nede, fordi kun en brøkdel af modellen er aktiv ad gangen, men hele modellen skal stadig ligge i GPU-hukommelsen på samme tid. Og en billion parametre fylder.
Ifølge dokumentationen til inferensrammen SGLang, som The Decoder refererer, kører standardudgaven på otte Nvidia B300-GPU'er, mens en kraftigere komprimeret udgave kører på fire GB300-GPU'er. Det er datacenter-hardware af nyeste generation, ikke noget en SMV har stående i serverrummet. Modelkortet på Hugging Face anbefaler servering med vLLM eller SGLang med tensor-parallelisme over otte GPU'er, og der findes et kvantiseret NVFP4-checkpoint rettet mod Nvidias Blackwell-chips med mindre hukommelsesforbrug. For de fleste vil reel selv-hosting derfor betyde enten en investering i den slags servere eller leje af GPU-kapacitet i en europæisk sky. Det ændrer regnestykket: den økonomiske fordel ved open weight ligger i kontrol og dataophold, ikke nødvendigvis i en lavere regning end API'et.
Det giver tre realistiske veje. I kan bruge API'et hos Mistral eller via Microsoft Foundry, der er første cloududbyder med modellen. I kan leje GPU'er i en europæisk sky og selv hoste. Eller I kan vente på, at Mistral eller fællesskabet udgiver mindre, destillerede udgaver, der kan køre på beskedent udstyr. Det sidste er ikke lovet, men det er mønstret, vi har set med andre open-weight-familier.
Hovedargumentet for Large 4 i regulerede brancher er dataophold. Hoster I modellen selv, forlader persondata aldrig jeres egen infrastruktur, og der er ingen overførsel til tredjelande at skulle retfærdiggøre. Mistral er desuden en europæisk leverandør under EU-ret, hvilket fjerner en del af den usikkerhed, der følger med amerikanske udbydere og deres eksponering for amerikansk lovgivning. Det er samme suverænitetsdagsorden, som da Cohere købte Aleph Alpha, blot med en model I selv kan hente ned.
Men open weight er ikke det samme som compliant. Behandler I persondata, skal I stadig lave en konsekvensanalyse for databeskyttelse efter GDPR, og I skal styre adgang, logning og sletning som for ethvert andet system. Under AI Act er rollerne vigtige at få styr på. Henter I modellen ned, finetuner den og sætter et system i drift, kan I selv få forpligtelser som udbyder eller idriftsætter, ikke kun som bruger af en andens tjeneste. Bruger I i stedet Mistrals egne SaaS-produkter, bør I tjekke indstillingerne for, om jeres input bruges til træning. Vores guide til AI Act gennemgår, hvor grænserne går for hver rolle.
Mistral markedsfører Large 4 tungt på cybersikkerhed og nævner kunder som Booz Allen, Cisco, Cloudflare, Zscaler og den europæiske rumorganisation ESA, der tester modellen til kodeanalyse og sårbarhedstriage. Orange Cyberdefense får endda adgang til en specialiseret cyber-variant under kontrollerede vilkår. Det er den defensive side af historien.
Den anden side er, at Mistral selv erkender en risiko. I indlægget skriver virksomheden, at den efter previewen har observeret et potentiale for, at modellen kan give et løft til reelle angreb, og at den strammer sine guardrails i de kommende måneder. Problemet er, at når modellen er åbne, kan den, der hoster modellen, fjerne netop de guardrails. En leverandørs sikkerhedsforanstaltninger holder kun, så længe leverandøren kontrollerer kørslen. Det er den uundgåelige bagside ved åbne modeller, og den gælder lige så meget for danske virksomheder, der overvejer at hoste Large 4, som for alle andre.
Large 4 er mest relevant for softwarehuse og IT-afdelinger med fortrolig kode, for finans, forsikring og industri med dokument- og billedanalyse, og for offentlige myndigheder, der har brug for en intern assistent på dansk uden at sende data ud af huset. Den konkrete læring er, at valget mellem API og egen drift afhænger af, hvor følsomme jeres data er, ikke af prisen alene.
Det kan I gøre nu:
Large 4 slår ikke konkurrenterne på de brede målinger. Men det er ikke det interessante her. Det interessante er, at en europæisk model i frontier-klassen nu kan hentes ned og køres bag jeres egen firewall. Forspringet blandt åbne kodemodeller kan blive kort: Moonshot ventes at frigive modellen til Kimi K3.1 Pro, der fører flere af de samme indeks, senest den 4. november. Men for en dansk virksomhed, der ikke må sende data ud af huset, er det ikke placeringen på et globalt indeks, der afgør valget. Det er, om modellen er god nok til jeres opgaver, og om I har råd til jernet, den skal køre på. De to spørgsmål kan I kun svare på ved at teste.