Mistral Large 4 'Le Chonk': 1조 파라미터, 오픈 웨이트

Mistral AI가 첫 1조 파라미터 모델인 Mistral Large 4의 가중치를 공개했습니다. 내부 별칭은 Le Chonk이며, 총 1.05조 파라미터 중 토큰당 약 490억~520억 개가 활성화되는 세분화된 전문가 혼합 시스템입니다. 컨텍스트 창은 100만 토큰이며 이미지 입력도 지원합니다. 하나의 체크포인트로 간단한 채팅 질문부터 장시간 에이전트 실행까지 처리하며, 낮음·중간·높음 단계의 추론 강도 설정으로 전환할 수 있습니다. 이 모델은 유럽에 있는 Mistral 자체 데이터 센터에서 NVIDIA Grace Blackwell GPU 3,800개를 사용해 처음부터 학습했으며, 이미 vega.chat 모델 선택기와 api.vega.chat을 통해 이용할 수 있습니다.

한 달 간격으로 나온 두 가지 버전

Mistral의 모델 레지스트리에는 Large 4 버전 두 가지가 등록되어 있습니다. 2026년 10월 6일 공개된 프리뷰는 현재 서비스 종료로 표시되어 있고, 2026년 10월 29일 최종 체크포인트가 현재 제공되는 버전입니다. Hugging Face에 공개된 오픈 웨이트는 추가 RL 학습으로 개선된 10월 29일 버전입니다. 프리뷰 기간에 발표된 수치와 최초 API 가격은 현재 배포 중인 모델이 아니라 서비스가 종료된 체크포인트를 기준으로 합니다. 공식 문서 페이지조차 아직 10월 6일 날짜와 Public Preview 라벨을 표시하고 있습니다.

이전 플래그십인 Mistral Large 3는 Mistral 3 제품군의 일부로 2025년 12월 출시되었습니다. 이 정도 규모의 모델을 플래그십으로 내놓는 주기가 10개월이라면 상당히 빠른 편입니다.

아키텍처: 675B에서 1조로

	Mistral Large 3	Mistral Large 4
총 파라미터	675B	1.05T
토큰당 활성 파라미터	41B	~49B (임베딩 및 출력 레이어 포함 시 52B)
아키텍처	세분화된 MoE	세분화된 MoE
비전 인코더	2.5B	1.6B Pixtral 스타일
컨텍스트 창	256k	1M 토큰
추론	없음	낮음 / 중간 / 높음, 기본값은 높음
학습 클러스터	NVIDIA H200 3,000개	NVIDIA Grace Blackwell 3,800개
라이선스	Apache 2.0	Mistral Ecosystem Open-Weight License

vLLM 팀의 출시 당일 분석에 따르면, 본체는 MoE 레이어 72개로 구성되며, 라우팅 전문가 128개(top-4)와 공유 전문가 1개, 히든 크기 6,144를 사용합니다. 어텐션은 MLA이며, 희소 DSA 인덱서가 쿼리마다 상위 2,048개의 키를 선택합니다. 이 방식은 100만 토큰 컨텍스트를 감당할 수 있게 해주는 요소 중 하나입니다. Pixtral 스타일 인코더는 크기와 종횡비가 서로 다른 이미지 여러 장을 요청 하나에 입력받을 수 있습니다. 공식 체크포인트는 FP8과 NVFP4로 제공되며, 둘 다 FP8 잠재 KV 캐시를 사용합니다. 내장된 DSpark 드래프터는 슬라이딩 윈도우 MLA 레이어 3개에서 추측 디코딩을 실행하고, 스텝당 약 2.9개 토큰을 수용해 TP8에서 처리량을 거의 2배 높입니다.

희소 활성화라고 해서 사실상 소형 모델인 것은 아닙니다. 토큰당 활성화되는 파라미터는 약 49B뿐이지만, 1.05T 가중치와 KV 캐시를 저장하려면 여전히 강력한 멀티 GPU 노드가 필요합니다.

벤치마크: 인상적인 주장, 엇갈리는 결과

Mistral이 최종 체크포인트에 대해 공개한 수치는 서류상으로는 인상적입니다.

벤치마크	결과	참고
FrontierCode 2.0	19.7%, 1위	Cognition의 비공개 엔드투엔드 코딩 평가
AA Coding Agent Index	48%	작업당 토큰을 47% 적게 사용하며 대략 GLM-5.3 수준
Terminal-Bench 4.0	41%	프리뷰보다 13포인트 상승, 오픈 웨이트 모델 중 선두
Cyber Index	51%	취약점을 찾고 재현한 뒤 패치
악성 사이버 요청 거부율	96.6%	Mistral에 따르면 오픈 모델 중 최고
B3 Agent Security	97.1%	프리뷰의 93.3%에서 상승
Finch (금융, 표)	73.3%	Kimi K3에 이어 오픈 웨이트 모델 중 2위
BrowseComp	84.5%	GLM-5.3 및 DeepSeek Flash 4.1보다 높음
Surge Code (블라인드 인간 선호도)	GLM-5.3, Kimi K3, DeepSeek V4.1 Flash보다 우수	Claude Opus 5.5만 앞섬

독립 연구소 Vals AI가 동일한 오픈 체크포인트를 측정했을 때는 다른 결과가 나왔습니다. Terminal-Bench 4.0에서 26.26%(Mistral 보고치는 41%), Vibe Code Bench에서 81.56%, 금융 에이전트 평가에서 61.72%를 기록했으며, Vals Index는 56.42%로 30개 모델 중 17위에 올랐습니다. 동일한 이름의 벤치마크에서 15포인트 차이가 난다면 대개 평가 하네스, 도구, 토큰 예산, 종료 기준이 서로 달랐다는 뜻입니다. 모델을 비교할 때는 설정도 함께 비교해야 합니다.

MindStudio의 실사용 테스트는 실질적인 주의 사항을 더합니다. 에이전트형 코딩 작업 8개에서 모델은 총 80점 중 42점을 받았습니다. 로컬 Gemma 2B 파인튜닝 모델 테스트에서는 10점 만점을 받았고, 엘리베이터 3대 시뮬레이션에서는 9.5점을 받았습니다. 하지만 두 작업에서는 파일을 만들거나 답을 반환하지 않은 채 턴을 끝내 0점을 기록했습니다. 약점은 신뢰성입니다. 해당 실행에서는 아무 결과도 내놓기 전에 멈췄으며, 기반 결과물이 손상되었거나 누락되었는데도 자신감 있는 요약을 반환할 수 있습니다.

가격

최종 버전의 API 가격은 입력 토큰 100만 개당 $0.70, 출력 토큰 100만 개당 $2.10이며, 캐시된 입력은 $0.07입니다. 캐시되지 않은 토큰 기준으로 Large 3보다 40% 비싸지만, 프리뷰의 입력 $1.36, 출력 $4.18보다는 훨씬 저렴합니다.

	Large 3	Large 4
입력 토큰 1M개당	$0.50	$0.70
캐시된 입력	~90% 할인	$0.07
출력 토큰 1M개당	$1.50	$2.10

Mistral은 효율성을 반론으로 내세웁니다. 경쟁 모델보다 에이전트 작업을 완료하는 데 토큰을 30~47% 적게 쓴다면, 토큰 100만 개당 비용보다 작업 완료당 비용이 더 중요하다는 것입니다. 어느 쪽이 맞는지 결론을 내리기 전에 실제 업무에서 직접 측정해 볼 만합니다.

라이선스의 단서

Large 4는 수정된 MIT 라이선스인 Mistral Ecosystem Open-Weight License로 제공됩니다. 사용, 수정, 파인튜닝, 배포, 상업적 이용이 모두 허용되지만, 한 가지 조건이 있습니다. 제3자가 입력과 파라미터를 실질적으로 제어할 수 있는 추론 또는 후처리 학습 접근 권한을 제공하는 Model-as-a-Service 사업을 운영하는 회사는 Mistral에서 별도의 상업용 라이선스를 받아야 합니다. 내부 사용과 Mistral 자체 제품을 통한 사용은 예외입니다. Large 3의 Apache 2.0에는 이 조항이 없으므로 호스팅 제공업체 입장에서는 법적으로 더 간단한 선택지입니다.

배포 참고 사항

vLLM은 출시 당일부터 상당한 엔지니어링 기능을 갖춘 지원을 제공했습니다. NVFP4는 Blackwell GPU 4개에서 실행되며(또는 8개에서 TP8), 디코드 컨텍스트 병렬 처리는 잠재 KV 캐시를 여러 랭크에 분산해 TP8에서 KV 용량을 약 7.9배 늘립니다. HiSparse는 KV를 호스트 메모리로 오프로드해 GB300 노드의 KV 용량을 1.97M에서 8.77M~11.25M 토큰으로 확장합니다. SGLang, Transformers, Docker Model Runner도 지원되며, 자체 인프라에서 모델을 사용하려는 조직은 Microsoft Foundry를 통해 비공개 Azure 배포를 이용할 수 있습니다.

생태계에서 발견된 통합 관련 함정도 있습니다. Vercel AI SDK의 Mistral 제공자는 Large 4의 모델 ID가 하드코딩된 허용 목록에 빠져 있다는 이유로 reasoning_effort 매개변수를 조용히 누락했습니다. 그 결과 추론을 전혀 사용하지 않은 채 요청이 전송됐습니다. 이 버그는 회귀 테스트와 함께 수정되었습니다. 여기서 얻을 수 있는 교훈은 일반화할 수 있습니다. "SDK가 Mistral을 지원한다"는 말만 믿지 말고, 추론 및 도구 매개변수가 실제로 모델에 전달되는지 확인하세요.

안전성과 남아 있는 주의점

Mistral은 이번 출시에서 안전성을 이례적으로 강조했습니다. 악성 사이버 요청 거부율 96.6%, B3 Agent Security Benchmark 공격 저항률 97.1%를 공개했으며, Orange Cyberdefense 같은 파트너에게 엄격한 계약 조건으로 침투 테스트 및 레드팀용 특화 사이버 버전을 제공했습니다. 또한 실제 트래픽 모니터링 결과 실제 공격에서 공격 역량을 높일 가능성이 확인되어 보호 장치를 계속 개선하고 있다고 밝혔습니다. 기술 문서에는 모델이 무오류로 작동하도록 만들어진 것이 아니며, 검증과 인간의 감독 없이 중요한 의사결정에 사용하도록 설계되지 않았다고 명시되어 있습니다. MindStudio 결과에서 보듯, 강력한 안전성 지표와 완성하지 못한 에이전트 작업은 한 모델 안에 공존합니다.

Large 3 또는 Large 4

100만 토큰 컨텍스트, 추론 모드, 에이전트형 코딩 및 사이버 작업에서 가장 뛰어난 오픈 웨이트 성능이 필요하고, 1조 파라미터 체크포인트를 배포할 역량이 있다면 Large 4를 선택하세요. 토큰당 가격이나 라이선스의 간결함이 더 중요하다면 Large 3를 유지하세요. Apache 2.0에는 MaaS 조항이 없고, 캐시되지 않은 토큰은 40% 저렴하며, 모델 카드에는 NVFP4로 A100 또는 H100 단일 노드에 배포하는 방법이 문서화되어 있습니다. 다만 Large 3에도 알려진 약점이 있습니다. 컨텍스트가 64k를 넘으면 NVFP4 품질이 떨어지고, 독립 테스트에서는 도구 호출도 불안정한 편입니다.

어느 쪽을 선택하든 10월 29일 체크포인트로 실제 작업을 시험 운영하고, 도구 호출이 실행되는지와 결과물이 실제로 작성되는지 확인하세요. 기록하는 모든 수치 옆에는 버전과 샘플링 설정도 함께 명시하세요. Mistral이 권장하는 설정은 temperature 1.0, top_p 0.95입니다.

Mistral Large 4는 vega.chat 모델 목록에서 이용할 수 있으며, 개발자는 api.vega.chat 호환 API를 통해 호출할 수 있습니다.