Mistral Large 4（ML4）は、Mistral AIが2026年10月6日にパブリックプレビューを開始し、その後オープンウェイトとして重みと技術レポートを公開した、52Bアクティブ・1兆総パラメータのネイティブマルチモーダルMoEモデルです。長い文脈を前提とする推論やエージェントタスクを主眼に設計されています。
室谷代表取締役Mistral Large 4、通称ML4のオープンウェイト公開が来ましたね。1兆パラメータで52BアクティブのマルチモーダルMoE、しかも技術レポート付きなんですよね。
テキトー教師DotAI 認定講師そうなんですよ。プレビューが10月6日で、そこから約3週間で重みと技術レポートまで出たというのがポイントで。
単に「大きいモデルが出た」話じゃないんです。
単に「大きいモデルが出た」話じゃないんです。
Mistral Large 4（ML4）とは？何が発表されたか
Mistral Large 4（ML4）の基本情報
1兆パラメータMoE
総パラメータ1兆、推論時に動くのは約520億。エキスパートを選択的に使うMoEで計算コストを抑制
ネイティブマルチモーダル
画像とテキストのインターリーブ形式でゼロから学習。vision encoderもゼロから学習
2段階カリキュラム学習
第1段階65%で幅広いドメインと言語、第2段階35%でコード・科学系・高品質文書を増やし系列長を4K→40Kに拡張
160以上の言語
学習データは160以上の言語にまたがり、EUの全公用語を含む
自社インフラで学習
パリ近郊の自社データセンターのNVIDIA GB200 GPU 3,840基で45日、約415万GPU時間。MFU 36%、goodput 94.1%
プレビューはAPIのみ→重み公開
プレビュー時点ではAPI提供のみ、月末に重みを公開すると予告され、今回実行された
室谷代表取締役まず基本情報を整理すると、ML4はMistral AIの公式ブログで「1 trillion-parameter natively multimodal model with 52 billion active parameters」と説明されているモデルです。愛称が「Le Chonk」。
プレビュー時点ではAPI提供のみで、月末に重みを公開すると予告されていて、今回それが実行された形です。
プレビュー時点ではAPI提供のみで、月末に重みを公開すると予告されていて、今回それが実行された形です。
テキトー教師DotAI 認定講師技術レポートのAbstractでも「52B active, 1T total parameter multimodal mixture-of-experts model designed for reasoning and long-horizon agentic tasks」と明記されています。つまり総パラメータ1兆、推論時に動くのは約520億。
MoEでエキスパートを選択的に使うから、総量が大きくても計算コストを抑えられる設計です。
MoEでエキスパートを選択的に使うから、総量が大きくても計算コストを抑えられる設計です。
室谷代表取締役ネイティブマルチモーダルというのも重要で。技術レポートを読むと、画像とテキストが交互に並んだインターリーブ形式のデータでゼロから学習していて、 vision encoderもゼロから学習したと書かれています。
後付けで視覚を足したのではなく、最初から画像込みで設計されているんですよね。
後付けで視覚を足したのではなく、最初から画像込みで設計されているんですよね。
テキトー教師DotAI 認定講師学習データも面白くて、多言語・マルチモーダルのデータセットを2段階のカリキュラムで学習しています。第1段階が65%で幅広いドメインと言語をカバー、第2段階が35%でコードや科学系、高品質文書の比率を上げ、系列長を4Kから40Kに伸ばす。
公式ブログによると学習データは160以上の言語にまたがり、EUの全公用語を含むとされています。
公式ブログによると学習データは160以上の言語にまたがり、EUの全公用語を含むとされています。
室谷代表取締役計算資源も明快で、パリ近郊のMistralの自社データセンターにあるNVIDIA GB200 GPU 3,840基で45日、約415万GPU時間。MFU 36%、goodput 94.1%と。
自社インフラで学習しきっているところが、後の「ソブリンAI」の文脈にもつながるんですよね。
自社インフラで学習しきっているところが、後の「ソブリンAI」の文脈にもつながるんですよね。
テキトー教師DotAI 認定講師ML4でできること——コードエージェント・サイバーセキュリティ・マルチモーダル
ML4の6本柱と主な評価結果
サイバーセキュリティ
Artificial Analysis Cyber Indexでtop five models globally、中国外オープンウェイトを大きくリード。脆弱性再現・パッチ適用テスト82%、Cybench 40問で93%。クローズドモデルが拒否するタスクも実行可能
エージェントコーディング
DeepSWE v1.1で61.7%、SWE-Atlas-QnAで59.4%、Terminal-Bench 4.0で28.3%。Coding Agent Index総合49.8%でDeepSeek V4 Pro 0813やQwen3.8 Maxを上回る
エージェントワークフロー
公式ブログが挙げる6本柱の一つ
マルチモーダル
視覚接地を強調。Dense 200で42%対41%とGPT-6-Astraを上回る。ギガピクセル級衛星画像の走査、技術図面の拡大検証、PDFからの根拠抽出など
科学・数学
SciCode-Verifiedでオープンウェイト中最上位。ハートリー・フォック計算をワンショットで生成する例
ナレッジワーク
HarveyのLegal Agent BenchmarkやFinance Agent v2、Finch(FinWorkBench)で法務・財務ともGPT-6-Astraを上回る。スプレッドシート・スライド・PDF作成に向く
室谷代表取締役公式ブログの capabilities deep-dive を読むと、押し出している能力がはっきりしているんですよ。サイバーセキュリティ、エージェントコーディング、エージェントワークフロー、マルチモーダル、科学・数学、ナレッジワークの6本柱です。
テキトー教師DotAI 認定講師サイバー領域が特に力入っていますよね。Artificial Analysis Cyber Indexで「top five models globally」かつ「open-weight models developed outside China を大きくリード」と。
さらに脆弱性の再現とパッチ適用を求めるテストで82%、Cybenchの40問で93%と書かれています。
さらに脆弱性の再現とパッチ適用を求めるテストで82%、Cybenchの40問で93%と書かれています。
室谷代表取締役ここで面白いのが、クローズドモデルが拒否してしまうタスクをML4は実行できるという説明で。公式ブログには「Claude Opus 5.5 and GPT-6 Astra, score near zero on the same test because they refuse to perform the task」とあります。
防御側が脆弱性の実在を証明する作業を、プロバイダ側の拒否で止められてしまう問題意識が背景にあるんですよね。
防御側が脆弱性の実在を証明する作業を、プロバイダ側の拒否で止められてしまう問題意識が背景にあるんですよね。
テキトー教師DotAI 認定講師これはセキュリティ業務の実務者にとっては大きい話です。インシデント対応の最中に能力へのアクセスを失うこと自体がリスクになる、という公式ブログの指摘はそのまま現場の課題ですから。
室谷代表取締役コーディングではDeepSWE v1.1で61.7%、SWE-Atlas-QnAで59.4%、Terminal-Bench 4.0で28.3%。Coding Agent Indexの総合49.8%で、DeepSeek V4 Pro 0813やQwen3.8 Maxを上回ると。
あとSurge AIのブラインド人手評価で5モデル中2位、3.74で、1位はClaude Opus 5の4.22、Kimi K3が3.59、GLM-5.3が3.60、GLM-5.2が3.40という並びです。
あとSurge AIのブラインド人手評価で5モデル中2位、3.74で、1位はClaude Opus 5の4.22、Kimi K3が3.59、GLM-5.3が3.60、GLM-5.2が3.40という並びです。
テキトー教師DotAI 認定講師マルチモーダルでは視覚接地が強調されていて、Dense 200で42%対41%でGPT-6-Astraを上回ると。ギガピクセル級の衛星画像を走査したり、技術図面を拡大して部品を検証したり、PDFから根拠を拾ったりという用途がデモとして挙がっています。
室谷代表取締役ナレッジワークではHarveyのLegal Agent BenchmarkやFinance Agent v2、Finch（FinWorkBench）が並んでいて、第三評価者vals.ai経由で法務・財務ともGPT-6-Astraを上回ると。スプレッドシートやスライド、PDFといった成果物を作る仕事に向くという整理ですね。
テキトー教師DotAI 認定講師科学系ではSciCode-Verifiedでオープンウェイト中最上位と。ハートリー・フォック計算をワンショットで生成する例が挙げられています。
ML4の使い方・始め方——Hugging FaceとvLLM/SGLangでの動かし方
ML4の起動方法（4経路）
Transformers
- pipeline("image-text-to-text")で読み込む
- AutoProcessor + AutoModelForMultimodalLMでchat templateを適用
vLLM
- pip install vllm
- vllm serve "mistralai/Mistral-Large-4-1T-A52B"
- OpenAI互換APIが立つ
室谷代表取締役ここが実務者に一番刺さるところで。Hugging Faceのモデルカードが公開されていて、リポジトリ名は mistralai/Mistral-Large-4-1T-A52B。
Transformers、vLLM、SGLang、llama.cpp、Docker Model Runnerのタグが付いています。
Transformers、vLLM、SGLang、llama.cpp、Docker Model Runnerのタグが付いています。
テキトー教師DotAI 認定講師整理するとこうです。
- Transformers: pipeline("image-text-to-text") でそのまま読み込むか、AutoProcessor + AutoModelForMultimodalLM でchat templateを適用
- vLLM: pip install vllm の後、vllm serve "mistralai/Mistral-Large-4-1T-A52B" でOpenAI互換APIが立つ
- SGLang: python3 -m sglang.launch_server --model-path "mistralai/Mistral-Large-4-1T-A52B" --host 0.0.0.0 --port 30000
- Docker Model Runner: docker model run hf.co/mistralai/Mistral-Large-4-1T-A52B
室谷代表取締役どの経路もOpenAI互換のchat/completionsを叩ける形になっているのがありがたいですよね。画像はimage_urlで渡す形式がサンプルに書かれています。
MYUUUでもまずvLLMで立てて、既存のエージェント基盤からそのまま呼ぶ形で試すのが早いかなと。
MYUUUでもまずvLLMで立てて、既存のエージェント基盤からそのまま呼ぶ形で試すのが早いかなと。
テキトー教師DotAI 認定講師ただし注意点として、モデルカードのライセンス表記は「other」で、fp8のタグが付いています。量子化版のチェックポイントが606GBですから、フル精度で動かすにはそれなりのGPUが必要です。
技術レポートではNVFP4の校正済み量子化で606GB、GB300 GPU 4基で配備可能と書かれています。
技術レポートではNVFP4の校正済み量子化で606GB、GB300 GPU 4基で配備可能と書かれています。
室谷代表取締役ここは誤解されやすいので補足すると、606GBは「4基で動く」という配備の主張であって、生成トークン数が減るとかタスク完了が速くなるという主張とは別物です。レポートでもそこは切り分けて書かれています。
テキトー教師DotAI 認定講師推論強度がhigh・medium・lowの3モード選べるのも実用的です。複数の教師モデルからの蒸留でこのモードを実現していて、トークン消費と性能のトレードオフをユーザーが制御できると。
ML4の料金・提供範囲——オープンウェイトとライセンス、自社運用は可能か
室谷代表取締役料金についてなんですけど、今回のソースの中にAPIの具体的な入力・出力の単価は見当たらないんですよね。プレビューAPIはMistral Studioで試せるという記述までで、現時点では明らかにされていません。
テキトー教師DotAI 認定講師そこは正確に伝えておきたいところです。一方で提供形態は明確で、重みが公開されたので自社運用は可能。
公式ブログでは「run on private cloud or on-premise」と書かれていて、サイバーセキュリティ用途で自前のポリシーの下に動かせることを強みにしています。
公式ブログでは「run on private cloud or on-premise」と書かれていて、サイバーセキュリティ用途で自前のポリシーの下に動かせることを強みにしています。
室谷代表取締役ソブリンAIの文脈も強くて、欧州でMistralがエンドツーエンドで運用する欧州デプロイを含む複数リージョンで提供され、他のデジタルサービスプロバイダから独立し欧州法の下に置かれると。オープンウェイトであること自体が「顧客がAIをコントロールできる」というメッセージになっているんですよね。
テキトー教師DotAI 認定講師ライセンスはモデルカード上「other」としか書かれていないので、商用利用の条件は必ずリポジトリのライセンス本文を確認してください。ここは私も講座で受講生さんに必ず言うところで、重みがある＝自由に使える、ではないんですよ。
室谷代表取締役Mistral AI全体の動きはMistral AIとは？創業からMistral Large 4、Vibeの料金まで最新情報で整理にまとまっているので、そちらと合わせて読むと位置づけが分かりやすいです。
ML4のベンチマーク性能——FrontierCode 2.0・Terminal-Bench 4.0・AA Cyber Index
室谷代表取締役数字を整理しておきましょうか。技術レポートのAbstractと本文で確認できるのは、FrontierCode 2.0が19.7%、Terminal-Bench 4.0が41%、Artificial Analysis Cyber Indexが50.9%。
加えてHarvey's Legal Agent Benchmarkが15%です。
加えてHarvey's Legal Agent Benchmarkが15%です。
テキトー教師DotAI 認定講師整理するとこうです。
- FrontierCode 2.0: 19.7%
- Terminal-Bench 4.0: 41%（レポートの比較表ではGLM-5.3が40.0%）
- Artificial Analysis Cyber Index: 50.9%
- Harvey's Legal Agent Benchmark: 15%
- 安全性: JailbreakBenchの安全応答率、StrongREJECTの拒否率、AgentHarmのharm scoreを反転した値の非加重平均で96.6%
室谷代表取締役Terminal-Benchの41%と40.0%という差は、レポートでも「1つのベンチマークの報告値であって、アーキテクチャ変更の管理された検証ではない」と慎重に書かれているんですよね。この辺の誠実さは技術レポートとして好感が持てます。
テキトー教師DotAI 認定講師公式ブログ側ではLakeraのB3 AI Security Benchmarkで攻撃の93.3%を遮断、KORA Benchmarkで1.691（最大2）と、間接プロンプトインジェクション耐性が飽和状態にあるとも書かれています。セキュリティ用途を掲げる以上、ここは外せない数字です。
室谷代表取締役ただし注意したいのは、ブログのグラフは数値が画像で、本文中に全部の数字がテキストで書かれているわけではない点。読み取れないものは推測で埋めないのが筋ですね。
「Le Chonk」開発秘話——KVキャッシュ削減がエージェント性能を損なった教訓とスパース注意への転換
室谷代表取締役ここが今回の技術レポートで一番おいしいところなんですよ。タイトルも「The story of how Le Chonk was built」ですから。
要は、効率化に振ったらエージェント性能が落ちた、という失敗と修正の話なんですよね。
要は、効率化に振ったらエージェント性能が落ちた、という失敗と修正の話なんですよね。
テキトー教師DotAI 認定講師順序立てて説明しますね。初期設計ではKVキャッシュを16倍削減していました。
スライディングウィンドウ注意で直近512トークンだけ見る層を作り、層間注意（CLA）で他層のKVを再利用し、YOCOで後半の全注意層が前半のKVを再利用する。事前学習の評価は許容範囲だったのに、SFT後のエージェント性能が期待を下回った。
スライディングウィンドウ注意で直近512トークンだけ見る層を作り、層間注意（CLA）で他層のKVを再利用し、YOCOで後半の全注意層が前半のKVを再利用する。事前学習の評価は許容範囲だったのに、SFT後のエージェント性能が期待を下回った。
室谷代表取締役しかも面白いのが、言語モデリングの損失が近いのにSWE-bench Verifiedのスコアは大きく違うという図が出ていることですよね。検証パープレキシティが1.40〜1.45の範囲に収まっているのに、SWE-benchの精度は点によってかなり散らばる。
つまり損失を代理指標にできないという、方法論的な指摘になっているんです。
つまり損失を代理指標にできないという、方法論的な指摘になっているんです。
テキトー教師DotAI 認定講師アブレーションでは、同じ学習トークン予算でfull attentionからSWAに移すとSWE-bench Verifiedが悪化し、CLAを足すとさらに悪化したと。ただしこれはアブレーションの結果であって、注意機構だけが原因だと断定しているわけではないし、すべてのエージェントタスクが同じ挙動をするわけでもない、とレポート自身が留保を付けています。
室谷代表取締役そこで彼らがやったのが「model surgery」、モデル手術ですね。512トークン制限を外して全コンテキストを使えるようにし、他層のKVを再利用していた層にはKV生成側の重みを追加した。
小さい計算規模ではより完全な手術を試し、フルスケールでは保守的な手術＋midtrainの結果を踏まえてYOCOを残した、と。
小さい計算規模ではより完全な手術を試し、フルスケールでは保守的な手術＋midtrainの結果を踏まえてYOCOを残した、と。
テキトー教師DotAI 認定講師ここは正確に言っておきたいのですが、第2事前学習フェーズ全体をやり直せなかったので、完全に条件の揃った比較ではないとレポートが明記しています。最終的なML4は非圧縮のfull attentionではなく妥協点なんですよ。
室谷代表取締役で、効率を取り戻すためにDeepSeek Sparse Attention（DSA）を適応した。軽量な索引機構がクエリごとに参照すべき過去のキー位置を選ぶ方式で、ML4は上位2,048トークンを選ぶ。
まず索引機構を約15.1Bトークンでウォームアップし、その後198Bトークンでモデルと索引機構をスパース注意の下で同時に学習する。
まず索引機構を約15.1Bトークンでウォームアップし、その後198Bトークンでモデルと索引機構をスパース注意の下で同時に学習する。
テキトー教師DotAI 認定講師DSA自体はDeepSeek-AIのDeepSeek-V3.2-Expのレポート由来の手法で、ML4の貢献は「スパース注意の前段にやったキャッシュ削減が、エージェント作業に対してそれ自体コストだった」という事例を記録したことにある、と。手法の発明ではなく、教訓の文書化なんですね。
室谷代表取締役これは実務者としてすごく刺さる話で。安いキャッシュが常に正解じゃない、対象とする作業そのもので評価しろという方法論なんですよ。
MYUUUでも長い文脈を扱うエージェントを組むとき、メモリ削減の施策を入れたらタスク成功率が落ちた経験があって。損失やパープレキシティだけ見て安心するのは危ないなと、あらためて思いました。
MYUUUでも長い文脈を扱うエージェントを組むとき、メモリ削減の施策を入れたらタスク成功率が落ちた経験があって。損失やパープレキシティだけ見て安心するのは危ないなと、あらためて思いました。
テキトー教師DotAI 認定講師講座でも受講生さんによく言うんですけど、評価指標は「そのモデルにやらせたい仕事」で選ぶべきで。知識系の評価では同じギャップが見られなかったというのも、レポートがわざわざ書き分けているポイントです。
室谷代表取締役データ生成パイプラインの話も面白いですよね。エージェントが実行可能な環境、タスク仕様、参照解、検証器を作り、複数のソルバーで試して曖昧さや壊れたテストを直し、reward hackingを防ぐ。
成功した軌跡はそのまま学習データに再利用される。この辺の設計はChatGPT Codexとは？のようなコーディングエージェントの潮流とも通じるものがあります。
成功した軌跡はそのまま学習データに再利用される。この辺の設計はChatGPT Codexとは？のようなコーディングエージェントの潮流とも通じるものがあります。
テキトー教師DotAI 認定講師ただしこれもレポートのパイプライン記述であって、合成環境だけでベンチマーク結果が出たという証明ではない、と留保されています。
室谷代表取締役プレビュー版からの進化については、Pierre Stock氏が「way more efficient and compact than its Preview version three weeks ago」と投稿していて、3週間でかなり効率的かつコンパクトになったと。この辺の経緯はMistral AIの「Le Chonk」とは？1兆パラメータMistral Large 4の重み公開でも追っています。
よくある質問
室谷代表取締役ここからは、よく聞かれるポイントを整理していきますね。
テキトー教師DotAI 認定講師まず「Mistral ML4のモデルサイズは？」ですが、総パラメータ1兆、アクティブ52BのマルチモーダルMoEです。ネイティブマルチモーダルで、テキストと画像のインターリーブ入力を扱えます。
室谷代表取締役「オープンウェイトで自社運用できる？」については、重みが公開されているので可能です。技術レポートではNVFP4量子化で606GB、GB300 GPU 4基での配備が示されています。
ただしライセンス表記はモデルカード上「other」なので、条件は必ず本文を確認してください。
ただしライセンス表記はモデルカード上「other」なので、条件は必ず本文を確認してください。
テキトー教師DotAI 認定講師「API料金はいくら？」は、今回のソースには単価の記載がなく、現時点では明らかにされていません。プレビューAPIはMistral Studioで試せるところまでが確認できる情報です。
室谷代表取締役「ベンチマークの数字は？」は、FrontierCode 2.0が19.7%、Terminal-Bench 4.0が41%、AA Cyber Indexが50.9%、Harvey's Legal Agent Benchmarkが15%です。
テキトー教師DotAI 認定講師「推論コストは制御できる？」については、high・medium・lowの推論強度モードが用意されていて、トークン消費と性能のトレードオフを選べます。複数教師からの蒸留でこのモードを実現しているのがレポートの説明です。
室谷代表取締役「日本語は扱える？」については、学習データが160以上の言語にまたがりEU全公用語を含むと公式ブログにある一方、日本語に特化した評価は今回のソースには出てきていません。ここは実利用で確かめるしかない部分ですね。
Mistral Large 4の視覚接地の強さについてはMistral Large 4とは？1兆パラメータ「Le Chonk」が視覚接地で閉源超えも参考になります。
Mistral Large 4の視覚接地の強さについてはMistral Large 4とは？1兆パラメータ「Le Chonk」が視覚接地で閉源超えも参考になります。
テキトー教師DotAI 認定講師最後に「なぜKVキャッシュの話がそんなに重要なの？」ですが、長いタスクでは過去の文脈の蓄積に依存するので、メモリ削減が実タスクを損なうことがあるという教訓が、今回のレポートの一番の持ち帰りなんですよ。
室谷代表取締役というわけで、ML4は「大きいモデルが出た」以上の話で。効率化とエージェント性能のトレードオフをどう扱うかという、業界全体にとっての教材になっているんですよね。
重みもレポートも出ていますから、ぜひ手元で確かめてみてください。
重みもレポートも出ていますから、ぜひ手元で確かめてみてください。
