Mistral 最大のオープンウェイトモデル：総パラメータ約 1T、トークンあたりアクティブパラメータ約 52B（埋め込み層を除くと 49B）のネイティブマルチモーダル MoE。テキストと画像を入力し、テキストを出力し、100 万トークンのコンテキストウィンドウをサポート。指示追従、推論、コーディング、エージェントタスクを単一のウェイトセットに統合し、推論強度を low / medium / high の 3 段階でリクエストごとに切り替え可能。
上昇スコア 300 · いいね 1221 · ダウンロード数 278
理由
- 公式によれば、Artificial Analysis コーディングエージェント指数は 48% で、オープンソースのリーダーである GLM-5.3 とほぼ同等だが、タスクあたり平均で 47% 少ないトークンを消費する。Artificial Analysis インテリジェンス指数 v5 では 26 を獲得し、西側オープンソースモデルとしては最高だが、公式も中国のリードするオープンソースモデルの方が総合スコアが高いことを認めている。
- 128 個のルーティングエキスパートのうち、トークンあたり 4 個と共有エキスパート 1 個がアクティブになり、3,800 枚の Grace Blackwell GPU 上でゼロから訓練された。公式は、サイバーセキュリティ、金融、法務、視覚的定位において優れた性能を発揮し、ネイティブ関数呼び出しと厳格な JSON Schema 出力をサポート、160 以上の言語をカバーすると述べている。
- 初回リリースから vLLM、SGLang イメージ、Transformers、llama.cpp GGUF、Axolotl、Unsloth、TRL のファインチューニングガイドが提供され、Blackwell 向けの NVFP4 バージョンも用意されている。10 月 29 日に Hugging Face ブログとともに公開され、それ以前の号には収録されていなかった。上昇スコア 300 は単に注目度を示すもの。
使い方
- vLLM（公式推奨）：docker pull vllm/vllm-openai:mistral-large-4 を実行し、--tensor-parallel-size 8 --tool-call-parser mistral --reasoning-parser mistral --enable-auto-tool-choice で起動する。--speculative-config '{"method": "dspark", "num_speculative_tokens": 3}' を追加すると、内蔵の DSpark 推測デコーディングが有効になり、公式によればスループットは最大 1.9 倍向上する。
- SGLang：lmsysorg/sglang:mistral-large-4 イメージを使用し、sglang serve --tp-size 8 --speculative-algorithm DSPARK で起動する。サンプリングは一律に temperature 1.0、top_p 0.95 を使用し、複雑なタスクやエージェントタスクでは reasoning_effort="high"（デフォルト）、日常用途では medium、高速応答では low を設定する。
- Mistral API の mistral-large-4 を直接呼び出すことも可能で、公式コーディングエージェント Mistral Vibe でローカル vLLM を接続することもできる。
リスク
- 公式の例では 8 枚のカードでのテンソル並列デプロイを前提としており、個人デバイスでは実行できない。NVFP4 バージョンは Blackwell GPU のみを対象としている。
- ライセンスは Mistral Ecosystem Open-Weight License（修正された MIT）である。商用利用は可能だが、Model-as-a-Service（MaaS）事業を行う場合は別途商業ライセンス契約が必要となる。
- モデルカードには 2 つの総合指数のみが記載されており、その他の比較は画像やブログ内にあり、すべて公式が引用したベンチマーク結果である。