Mistral AI Rilis Large 4, Jago Coding dan Keamanan Siber

Mistral AI mengumumkan pratinjau publik Mistral Large 4, model Artificial Intelligence (AI) multimodal dengan total 1 triliun parameter dan 49 miliar parameter aktif. Model ini dirancang untuk menangani berbagai tugas, mulai dari pemrograman, analisis keamanan siber, hingga pemrosesan dokumen dan gambar. API pratinjaunya telah tersedia melalui Mistral Studio, sedangkan model weights dijadwalkan dirilis secara terbuka pada akhir Oktober 2026.

Dalam pengumumannya, Mistral menyebut model yang dijuluki le Chonk tersebut dilatih dari awal menggunakan 3.800 GPU NVIDIA Grace Blackwell di pusat data milik perusahaan di Eropa. Infrastruktur yang sama digunakan untuk menjalankan versi pratinjau publiknya.

Data pelatihan Mistral Large 4 mencakup lebih dari 160 bahasa, termasuk seluruh bahasa resmi Uni Eropa. Sebagai model multimodal, Large 4 dirancang untuk memproses berbagai jenis informasi, termasuk teks dan data visual.

Kemampuan Keamanan Siber Jadi Sorotan

Mistral mengklaim Large 4 masuk dalam lima besar model pada Artificial Analysis Cyber Index, yang mengukur kemampuan AI dalam menemukan dan memperbaiki kerentanan keamanan pada perangkat lunak nyata.

Dalam salah satu pengujian, model ini memperoleh skor 82% ketika diminta mereproduksi kerentanan pada perangkat lunak sumber terbuka, kemudian memperbaikinya melalui patch. Menurut Mistral, hasil tersebut merupakan skor tertinggi di antara model yang mengikuti pengujian itu.

Large 4 juga dilaporkan mampu menyelesaikan 93% dari 40 latihan kompetisi keamanan dalam Cybench. Berdasarkan pengujian internal, model ini dinilai berguna untuk menganalisis malware, menentukan prioritas kerentanan, dan menyusun aturan deteksi ancaman.

Selain itu, Mistral melaporkan bahwa Large 4 berhasil menahan 93,3% serangan dalam B3 AI Security Benchmark publik milik Lakera. Namun, angka tersebut hanya mencerminkan hasil pada tolok ukur tertentu dan bukan jaminan bahwa model kebal terhadap berbagai serangan, termasuk prompt injection.

Mistral juga tengah melakukan pengujian keamanan intensif (red-teaming) bersama pemimpin industri keamanan siber, mitra terverifikasi, dan otoritas pemerintah. Dalam pengujian tersebut, para peserta memperoleh akses ke model dengan pembatasan moderasi yang lebih rendah dan kemampuan siber yang lebih luas.

Perusahaan berencana mendukung penggunaan Large 4 di lingkungan private cloud dan on-premise melalui perilisan bobot model. Dengan demikian, organisasi dapat menjalankan model menggunakan infrastruktur sendiri dan menerapkan kebijakan keamanan sesuai kebutuhan.

Performa Coding dan Otomatisasi Bisnis

Di bidang pemrograman, Mistral Large 4 mencatat skor 61,7% pada DeepSWE v1.1, 59,4% pada SWE-Atlas-QnA, dan 28,3% pada Terminal-Bench 4. Berdasarkan indeks pengujian coding Artificial Analysis, model ini memperoleh skor gabungan 49,8% pada Coding Agent Index.

Dalam evaluasi manusia secara buta yang dilakukan bersama Surge AI, Large 4 Preview menempati peringkat kedua dari lima model dengan skor 3,74 pada skala 1–5. Posisi pertama ditempati Claude Opus 5 dengan skor 4,22.

Untuk otomatisasi bisnis, Mistral melaporkan skor 59,9% pada AutomationBench, yang menguji 657 alur kerja melalui aplikasi seperti Gmail, Google Sheets, Slack, dan Salesforce. Kemampuan ini berpotensi membantu perusahaan mengotomatisasi pekerjaan digital dan meningkatkan efisiensi operasional.

Mistral juga memperlihatkan kemampuan Large 4 dalam memproses gambar teknis, dokumen PDF, dan citra satelit. Pada pengujian visual grounding Dense 200, model ini meraih skor 42%, sedikit lebih tinggi dibandingkan GPT-6-Astra yang memperoleh 41% dalam pengujian Mistral.

Visual grounding merupakan kemampuan AI menghubungkan informasi dengan objek atau bagian tertentu dalam gambar. Kemampuan tersebut dapat membantu model memahami informasi visual dan menjawab pertanyaan berdasarkan elemen yang ditampilkan.

Meski demikian, hasil benchmark tersebut tidak otomatis menunjukkan keunggulan dalam seluruh jenis pekerjaan. Performa model tetap bergantung pada karakteristik tugas dan kondisi pengujian.

Pelatihan Reinforcement Learning Masih Berlangsung

Mistral Large 4 menggunakan lingkungan pelatihan, penyesuaian model, dan reinforcement learning yang juga tersedia bagi pelanggan melalui Mistral Forge.

Metode reinforcement learning atau pembelajaran penguatan digunakan untuk meningkatkan kemampuan model berdasarkan umpan balik dan tujuan tertentu. Dalam Large 4, pelatihan mencakup percakapan, pemecahan masalah ilmiah, penyelarasan keamanan, ketepatan fakta, serta penggunaan alat untuk menyelesaikan tugas bertahap.

Lingkungan pelatihan memanfaatkan code sandbox, pencarian web, dan API eksternal. Hasilnya diverifikasi menggunakan reward model, pengujian unit, penilaian oleh model bahasa besar (LLM), serta pemeriksaan statis.

Mistral melaporkan bahwa proses pelatihan pada skala 3.000 GPU menghasilkan sekitar 33 miliar token per hari. Dari jumlah tersebut, sekitar 16 miliar token merupakan token penyelesaian yang dapat digunakan untuk pelatihan setelah melalui penyaringan dan penyamaran data.

Perusahaan menegaskan bahwa proses reinforcement learning untuk versi pratinjau Large 4 masih berlangsung.

Model Weight Dirilis Akhir Oktober 2026

Mistral AI menjadwalkan perilisan bobot Large 4 pada akhir Oktober 2026. Perilisan tersebut akan disertai informasi mengenai arsitektur model, hasil benchmark tambahan, dan metodologi post-training.

Ketersediaan bobot model diharapkan memberi pengembang dan organisasi keleluasaan lebih besar untuk menjalankan serta menyesuaikan AI sesuai kebutuhan. Namun, model dengan bobot terbuka tidak selalu berarti seluruh kode sumber dan data pelatihannya turut dipublikasikan.

Dengan kapasitas 1 triliun parameter, kemampuan multimodal, serta fokus pada pemrograman dan keamanan siber, Mistral Large 4 menjadi salah satu model yang patut diperhatikan dalam persaingan AI. Penilaian lebih menyeluruh terhadap kemampuannya masih perlu menunggu perilisan bobot, dokumentasi teknis, dan evaluasi independen tambahan.

Bagi perusahaan yang ingin mengadopsinya, faktor seperti kebutuhan komputasi, biaya operasional, keamanan, dan kemudahan integrasi tetap menjadi pertimbangan penting selain ukuran model dan skor benchmark.