
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:
| Cecha | Mistral Large 4 |
|---|---|
| Liczba parametrów | ok. 1 bilion (architektura Mixture-of-Experts) |
| Parametry aktywne na token | ok. 49 mld (52 mld z warstwami wejścia i wyjścia) |
| Okno kontekstu | 1 mln tokenów |
| Wejście / wyjście | tekst i obraz / tekst |
| Języki | ponad 160 |
| Licencja | Mistral Ecosystem Open-Weight License – zmodyfikowana licencja MIT |
| Gdzie dostępny | wagi 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 😉).
| Wariant | Dla kogo | Główny koszt |
|---|---|---|
| API Mistrala lub pośrednika | mała i średnia firma, testy, zmienne obciążenie | opłata za tokeny |
| Wynajęty serwer GPU w chmurze | firma z dużym, stałym ruchem i wymogami co do danych | godziny pracy GPU |
| Własny serwer w firmie | duża organizacja, dane, które nie mogą wyjść na zewnątrz | zakup 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:
- 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.
- Ile tego będzie? Przy kilkudziesięciu zapytaniach dziennie API wygrywa zawsze. Przy milionach tokenów dziennie zaczyna się liczenie kosztu GPU.
- 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
- Mistral AI – Mistral Large 4 (Le Chonk) is now open weight – dostęp: 31 października 2026
- Hugging Face – mistralai/Mistral-Large-4-1T-A52B (karta modelu) – dostęp: 31 października 2026
- TechCrunch – Mistral releases weights for its trillion-parameter AI model – dostęp: 31 października 2026
- DEV Community – A 1T Model With a 52B Bill: What Mistral Large 4's Open Weights Actually Change – dostęp: 31 października 2026
- CellCog – Mistral Large 4 (Le Chonk): Specs, Price, Benchmarks – dostęp: 31 października 2026
- Beam AI – Mistral Large 4: Benchmarks, Pricing and Open Weights – dostęp: 31 października 2026
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.




