Przejdź do treści

AI / na czasie

Mistral Large 4: model open-weight w firmie – co warto wiedzieć

29 października Mistral udostępnił wagi swojego największego modelu. Wyjaśniam, co to jest model open-weight, co pozwala licencja i kiedy własny serwer ma sens.

Kamil Barwiński

Opublikowano · 5 min czytania

Szafa serwerowa w ciemnym biurze, w środku świecąca kostka z wielu bloków, z których cztery są podświetlone, wokół obrys kłódki. Napis: 1 bilion parametrów, logo NomadSales, etykieta AI w biznesie.

W skrócie

  • Mistral Large 4 ma ok. 1 bilion parametrów (ok. 49 mld aktywnych na token) i okno kontekstu 1 mln tokenów.
  • Wagi są na Hugging Face od 29 października 2026 r., na zmodyfikowanej licencji MIT z prawem do użycia komercyjnego.
  • Sprzedaż dostępu do modelu jako usługi (Model-as-a-Service) wymaga osobnej licencji od Mistrala.
  • Same wagi w formacie FP8 to ok. 1 TB – własny serwer to sprzęt klasy centrum danych, a małej firmie zwykle wystarczy API.
Spis treści

Mistral Large 4 to największy model francuskiej firmy Mistral AI: ok. 1 bilion parametrów, wejście tekst i obraz, okno kontekstu 1 mln tokenów. 29 października 2026 r. Mistral udostępnił jego wagi (open-weight) na Hugging Face, na licencji pozwalającej na użycie komercyjne. Dla firmy oznacza to, że może korzystać z modelu przez API albo uruchomić go na własnych serwerach – ale ten drugi wariant to inwestycja w sprzęt klasy centrum danych, nie w laptop.

Poniżej tłumaczę, co to jest model open-weight, czym Mistral Large 4 różni się od ChatGPT czy Claude w praktyce i kiedy w polskiej firmie warto w ogóle o nim myśleć.

Co to jest Mistral Large 4 i co ogłoszono 29 października?

Mistral pokazał model w wersji podglądowej na początku października, a pod koniec miesiąca opublikował jego wagi – czyli „mózg” modelu w postaci plików, które możesz pobrać i uruchomić u siebie. Najważniejsze parametry:

CechaMistral Large 4
Liczba parametrówok. 1 bilion (architektura Mixture-of-Experts)
Parametry aktywne na tokenok. 49 mld (52 mld z warstwami wejścia i wyjścia)
Okno kontekstu1 mln tokenów
Wejście / wyjścietekst i obraz / tekst
Językiponad 160
LicencjaMistral Ecosystem Open-Weight License – zmodyfikowana licencja MIT
Gdzie dostępnywagi na Hugging Face, API Mistrala i pośrednicy API

Mistral pozycjonuje model mocno pod programowanie i cyberbezpieczeństwo. Według danych firmy (i to warto podkreślić – to deklaracje producenta) w indeksie Artificial Analysis Coding Agent Index model ma 48% i jest na poziomie najlepszego otwartego modelu GLM-5.3, zużywając średnio o 47% mniej tokenów na zadanie.

Model open-weight – co to znaczy w praktyce?

Model open-weight to taki, którego wagi są publicznie dostępne do pobrania. W modelu zamkniętym (jak ChatGPT od OpenAI czy Claude od Anthropic) korzystasz z niego wyłącznie przez aplikację albo API dostawcy – model działa na jego serwerach, na jego zasadach.

Przy open-weight masz wybór:

  • 🖥️ Uruchomić model u siebie – na własnych serwerach albo w wynajętej chmurze, z danymi, które nie opuszczają Twojej infrastruktury.
  • 🔧 Dostroić go (fine-tuning) na własnych danych, np. dokumentacji produktów czy historii zapytań klientów.
  • 🔌 Korzystać przez API – jak z każdego innego modelu, bez kupowania sprzętu.

„Open-weight” to nie to samo co „open source” w pełnym sensie. Dostajesz wagi i licencję, ale nie zawsze komplet danych treningowych i kodu, a licencja może mieć warunki. Tu jest taki warunek: jeśli chcesz na Mistral Large 4 zbudować usługę typu Model-as-a-Service (czyli sprzedawać innym dostęp do tego modelu jako API), potrzebujesz osobnej licencji komercyjnej od Mistrala. Użycie wewnątrz firmy, modyfikacje i fine-tuning licencja dopuszcza.

Czy Mistral Large 4 da się uruchomić na własnym serwerze?

Da się, ale bądźmy realistami. Mixture-of-Experts oznacza, że przy każdym tokenie pracuje tylko część modelu (ok. 49 mld parametrów), co obniża koszt obliczeń. Pamięć to inna historia: wagi wszystkich ekspertów muszą siedzieć w pamięci GPU, bo model nie wie z góry, którego użyje.

Prosta matematyka: 1 bilion parametrów zapisanych po 1 bajcie (format FP8) to ok. 1 TB samych wag. W 4-bitowym formacie (Mistral udostępnia też wersję NVFP4) to ok. 0,5 TB. Do tego dochodzi pamięć na kontekst rozmów. To poziom serwera z wieloma kartami GPU klasy centrum danych, a nie stacji roboczej pod biurkiem (i nie, gamingowy komputer syna tu nie pomoże 😉).

WariantDla kogoGłówny koszt
API Mistrala lub pośrednikamała i średnia firma, testy, zmienne obciążenieopłata za tokeny
Wynajęty serwer GPU w chmurzefirma z dużym, stałym ruchem i wymogami co do danychgodziny pracy GPU
Własny serwer w firmieduża organizacja, dane, które nie mogą wyjść na zewnątrzzakup sprzętu, prąd, zespół IT

Z mojej perspektywy pracy z klientami agencji: dla małej i średniej firmy własny serwer z modelem tej wielkości rzadko ma sens finansowy. Sens ma wtedy, gdy masz stałe, duże obciążenie albo twarde wymogi, że dane nie mogą trafić do zewnętrznego dostawcy.

Mistral czy ChatGPT i Claude – co wybrać w firmie?

Nie ma jednej odpowiedzi, ale są pytania, które ją ustawiają. Moim zdaniem decyzję podejmujesz według trzech kryteriów, a nie według tego, kto akurat wygrał ranking w tym tygodniu:

  1. Gdzie mogą trafić dane? Jeśli przetwarzasz dane osobowe klientów albo tajemnicę przedsiębiorstwa, model, który da się uruchomić u siebie lub w wybranej chmurze w UE, ułatwia rozmowę o RODO.
  2. Ile tego będzie? Przy kilkudziesięciu zapytaniach dziennie API wygrywa zawsze. Przy milionach tokenów dziennie zaczyna się liczenie kosztu GPU.
  3. Czy chcesz uniezależnić się od jednego dostawcy? Wersji modelu, którą pobrałeś, nikt Ci nie wyłączy z dnia na dzień – wagi masz u siebie.

Mistral to też firma europejska (francuska) – dla części klientów z sektora publicznego i regulowanego to argument sam w sobie.

Ile kosztuje Mistral Large 4 przez API?

Przez API płacisz za tokeny – osobno za tekst wejściowy, wejście z pamięci podręcznej (cache) i odpowiedź. Konkretnych stawek celowo tu nie podaję: w pierwszych dniach po publikacji wag w różnych źródłach krążą różne liczby (stawki z okresu podglądu i standardowe), więc aktualny cennik sprawdź na stronie Mistrala w dniu, w którym liczysz budżet.

Ważniejsze od ceny za milion tokenów jest to, ile tokenów model zużywa na jedno zadanie. Model, który jest tańszy „na papierze”, a potrzebuje dwa razy więcej tokenów, żeby dowieźć wynik, w praktyce wyjdzie drożej. Dlatego w checkliście niżej liczysz koszt na zadanie, a nie na milion tokenów.

Co to zmienia na rynku AI?

Moim zdaniem najciekawsze nie jest miejsce Mistral Large 4 w rankingach – te zmieniają się co kilka tygodni. Ciekawe jest to, że model tej skali z europejskiej firmy można legalnie pobrać i używać komercyjnie. Dla firm, które boją się uzależnienia od jednego amerykańskiego dostawcy, to realna alternatywa, a nie tylko ciekawostka.

Jak przetestować Mistral Large 4 w firmie – checklista

  • Wybierz 1–2 procesy, w których AI już dziś mogłoby pomóc (np. odpowiedzi na zapytania ofertowe, streszczenia dokumentów).
  • Przygotuj 20–30 przykładowych zadań z prawdziwych danych (zanonimizowanych).
  • Przetestuj model przez API – bez kupowania sprzętu.
  • Porównaj wyniki z modelem, którego używasz dziś (ChatGPT, Claude, Gemini).
  • Policz koszt na jedno zadanie, nie na milion tokenów.
  • Sprawdź licencję, jeśli model ma być częścią produktu dla klientów.
  • Dopiero przy dużym, stałym wolumenie licz wariant z własnym serwerem.

Jeśli dopiero zaczynasz z AI w firmie, zacznij od podstaw – w tekście AI w małej firmie: zastosowania, koszty i ryzyka rozpisałem, od czego zacząć. Gdy model ma pracować na Twoich systemach (CRM, dokumenty, sklep), przyda się standard, o którym pisałem w artykule MCP – Model Context Protocol. A jeśli chcesz to wdrożyć w procesach sprzedaży, zajrzyj do automatyzacji sprzedaży.

Najczęściej zadawane pytania

Co to jest model open-weight?

To model AI, którego wagi są publicznie dostępne do pobrania. Możesz go uruchomić na własnych serwerach, dostroić na swoich danych albo korzystać z niego przez API. Nie zawsze oznacza to pełne open source – liczy się treść licencji.

Czy Mistral Large 4 można używać komercyjnie?

Tak. Licencja Mistral Ecosystem Open-Weight to zmodyfikowana licencja MIT, która pozwala na użycie, modyfikacje i fine-tuning także w celach komercyjnych. Osobna licencja komercyjna jest potrzebna, jeśli chcesz sprzedawać innym dostęp do modelu jako usługę (Model-as-a-Service).

Jaki sprzęt jest potrzebny do uruchomienia Mistral Large 4?

Model ma ok. 1 bilion parametrów, więc w formacie FP8 same wagi zajmują ok. 1 TB, a w 4-bitowym NVFP4 ok. 0,5 TB. Mimo że na token pracuje tylko ok. 49 mld parametrów, wszystkie wagi muszą być w pamięci GPU. To poziom serwera z wieloma kartami klasy centrum danych.

Czy Mistral Large 4 jest lepszy od ChatGPT?

To zależy od zadania. Mistral deklaruje mocne wyniki w programowaniu i cyberbezpieczeństwie, ale to dane producenta. Najlepiej przetestować kilka modeli na 20–30 prawdziwych zadaniach z Twojej firmy i porównać jakość oraz koszt na jedno zadanie.

Kiedy firmie opłaca się własny serwer z modelem AI?

Gdy masz duże, stałe obciążenie albo dane, które nie mogą trafić do zewnętrznego dostawcy. Przy małym lub zmiennym ruchu taniej i prościej jest korzystać z API.

Źródła

  1. Mistral AI – Mistral Large 4 (Le Chonk) is now open weight – dostęp: 31 października 2026
  2. Hugging Face – mistralai/Mistral-Large-4-1T-A52B (karta modelu) – dostęp: 31 października 2026
  3. TechCrunch – Mistral releases weights for its trillion-parameter AI model – dostęp: 31 października 2026
  4. DEV Community – A 1T Model With a 52B Bill: What Mistral Large 4's Open Weights Actually Change – dostęp: 31 października 2026
  5. CellCog – Mistral Large 4 (Le Chonk): Specs, Price, Benchmarks – dostęp: 31 października 2026
  6. Beam AI – Mistral Large 4: Benchmarks, Pricing and Open Weights – dostęp: 31 października 2026
Kamil Barwiński

Autor

Kamil Barwiński

Założyciel NomadSales

Założyciel NomadSales. Programista, który został handlowcem: zbudował sprzedaż firmy AgriTech od zera do 3 mln zł, a dziś łączy marketing, sprzedaż i oprogramowanie dla firm.

Udostępnij:LinkedInX

Czytaj dalej

Więcej z huba AI w biznesie

Podobne tematy