W skrócie
- 29 października 2026 r. Mistral opublikował otwarte wagi modelu Mistral Large 4 (nazwa robocza Le Chonk) na Hugging Face; model ma około biliona parametrów i licencję pozwalającą na użytek komercyjny.
- Nowa standardowa cena API to 0,70 USD (ok. 2,76 zł) za milion tokenów wejścia i 2,10 USD (ok. 8,29 zł) za milion tokenów wyjścia, mniej więcej połowa ceny katalogowej z podglądu (1,36/4,18 USD), czyli tyle, ile kosztowała promocja startowa (kurs NBP z 29.10.2026).
- Według Mistrala model ma 41 proc. w teście Terminal-Bench 4.0 wobec 28 proc. w wersji podglądowej; to wyniki producenta, nie niezależny pomiar.
Stan na 29 października 2026
Co się stało
Mistral AI udostępnił wagi swojego flagowego modelu Mistral Large 4 do pobrania i samodzielnego uruchomienia, tak jak zapowiadał przy starcie podglądu na początku października. Model jest multimodalny (rozumie tekst i obrazy), ma około biliona parametrów w architekturze mixture-of-experts i trzy tryby rozumowania: niski, średni i wysoki (domyślny).
Wagi są na Hugging Face, a model działa też w API Mistrala, Mistral Studio, OpenRouter, Microsoft Foundry i na platformach NVIDII. Licencja to Mistral Ecosystem Open-Weight, czyli zmodyfikowana licencja MIT: model można bezpłatnie używać, modyfikować, dostrajać i wykorzystywać komercyjnie. Wyjątek dotyczy firm, które chcą sprzedawać dostęp do modelu jako usługę (model-as-a-service): potrzebują osobnej licencji komercyjnej. Mistral pisze, że model wytrenowano „od zera na europejskiej infrastrukturze”.
Zmienia się też cennik API: 0,70 USD za milion tokenów wejścia i 2,10 USD za milion tokenów wyjścia. Cena katalogowa w podglądzie, o którym pisaliśmy przy premierze Mistral Large 4, wynosiła 1,36 i 4,18 USD, ale w podglądzie obowiązywała promocja startowa −50% (0,68 i 2,09 USD). Nowa cena to więc w praktyce utrwalenie poziomu promocyjnego: kto testował model w pierwszych dniach, nie zobaczy różnicy, a kto liczył koszty według cennika katalogowego, zapłaci mniej więcej o połowę mniej. Tokeny z pamięci podręcznej kosztują 0,07 USD za milion.
Ile to kosztuje w praktyce i na jakim sprzęcie działa
Szacunek dla typowego zadania: firma analizuje 1000 dokumentów (oferty, umowy, zgłoszenia), każdy ma około 3000 tokenów, a odpowiedź modelu około 500 tokenów. Przy nowej cenie to 3,15 USD, czyli ok. 12,43 zł; według ceny katalogowej z podglądu wychodziło 6,17 USD, czyli ok. 24,35 zł (kurs NBP z 29.10.2026: 3,9473 zł za dolara). Wobec cennika katalogowego koszt spada o około połowę; wobec promocji startowej pozostaje praktycznie bez zmian.
Samodzielne uruchomienie to inna skala. Przepis Hugging Face na Inference Endpoints dla wag w formacie FP8 zakłada serwer z 8 kartami NVIDIA H200 (wersja NVFP4 mieści się na węźle z 4 kartami Blackwell), a najmocniej skompresowane wersje 2-bitowe uruchomisz na jednym komputerze Apple z układem Ultra i 512 GB pamięci zunifikowanej. To nie jest model na firmowego laptopa; otwarte wagi mają sens dla organizacji z własną serwerownią albo prywatną chmurą, które nie mogą wysyłać danych do zewnętrznego dostawcy. Mniejsze zadania na własnym komputerze lepiej robić lokalnym modelem AI o mniejszym rozmiarze.
Wyniki: co mówi producent
Mistral podaje 41 proc. w Terminal-Bench 4.0 (o 13 punktów więcej niż w podglądzie) i 48 proc. w indeksie Coding Agent firmy Artificial Analysis, co według producenta daje remis z chińskim GLM-5.3 przy średnio 47 proc. mniejszym zużyciu tokenów. Uczciwie trzeba dodać: w ślepych testach preferencji programistów Surge Code model przegrał tylko z jednym modelem z porównania, Claude Opus 5.5, więc w najtrudniejszym programowaniu zamknięty Claude Opus 5.5 dalej jest wyżej. W cyberbezpieczeństwie Mistral deklaruje odmowę w średnio 96,6 proc. złośliwych zapytań, a unijna agencja ENISA testuje model. Wszystkie te liczby pochodzą od producenta.
Na tle innych modeli językowych (LLM) Large 4 wyróżnia połączenie trzech rzeczy: otwartych wag, licencji komercyjnej i europejskiego pochodzenia.
Co to znaczy dla Ciebie
Jeśli Twoja firma nie może wysyłać danych do amerykańskich dostawców albo chce mieć model pod pełną kontrolą, Mistral Large 4 jest dziś najmocniejszą europejską opcją z otwartymi wagami. Na start nie kupuj sprzętu: przetestuj model w API na 20–30 prawdziwych zadaniach i porównaj wyniki oraz koszt z narzędziem, którego używasz. Sprawdź licencję, jeśli planujesz udostępniać model klientom jako usługę. Gdy zespół dopiero uczy się dobierać model do zadania, pomogą szkolenia AI dla firm.Najczęstsze pytania
Czy Mistral Large 4 jest open source?
Ma otwarte wagi do pobrania z Hugging Face na licencji Mistral Ecosystem Open-Weight (zmodyfikowana MIT). Można go używać komercyjnie; osobnej licencji wymaga tylko sprzedaż dostępu do modelu jako usługi.
Ile kosztuje Mistral Large 4 w API?
Od 29 października 2026 r. nowa standardowa cena to 0,70 USD (ok. 2,76 zł) za milion tokenów wejścia i 2,10 USD (ok. 8,29 zł) za milion tokenów wyjścia, po kursie NBP z 29.10.2026. To mniej więcej połowa ceny katalogowej z podglądu i poziom promocji startowej.
Jaki sprzęt jest potrzebny do uruchomienia Mistral Large 4?
Przepis Hugging Face na Inference Endpoints dla wag FP8 zakłada 8 kart NVIDIA H200, a wersja NVFP4 działa na węźle z 4 kartami Blackwell. Najmniejsze wersje 2-bitowe działają na komputerze Apple z układem Ultra i 512 GB pamięci zunifikowanej.
Źródła i data sprawdzenia
- Mistral AI: Le Chonk, ogłoszenie otwartych wag
- Hugging Face: Welcome Le Chonk, Mistral Large 4 on Hugging Face
- Mistral AI: zapowiedź Mistral Large 4 (podgląd)
- eesel.ai: Mistral Large 4, cena katalogowa i promocja startowa
Sprawdzono 29 października 2026
Czytaj dalej
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
- Co to jest sztuczna inteligencja? AI wyjaśniona prosto dla początkujących
- DeepSeek: co to jest, ile kosztuje i czy jest bezpieczny dla Twoich danych
- Ollama: jak uruchomić model AI na własnym komputerze
- LM Studio: jak uruchomić lokalny model AI bez terminala
- Bielik AI: polski model językowy – wersje, licencja, sprzęt i wyniki
- Grok AI: co to jest, ile kosztuje i jak działa po polsku
- RAG po ludzku: jak AI odpowiada na podstawie dokumentów Twojej firmy
- Chińskie AI: DeepSeek, Kimi, GLM, MiniMax – przegląd modeli i co z danymi
- Qwen od Alibaby: co to jest, jak z niego korzystać i czy jest bezpieczny
- Kimi AI od Moonshot: co to jest, jak z niego korzystać i czy jest bezpieczny
- MiniMax AI: modele M3, MiniMax Code, ceny API i bezpieczeństwo danych
- Mistral AI: europejski model, Le Chat i czy warto
- Llama od Meta: otwarty model AI — wersje, licencja i jak go uruchomić
- Rodzaje sztucznej inteligencji: wąska, ogólna, generatywna — wyjaśnienie bez żargonu
- Gemma od Google: otwarty model AI do uruchomienia na własnym komputerze
- Ilya Sutskever: współtwórca OpenAI i Safe Superintelligence
- Wojciech Zaremba: Polak, który współtworzył OpenAI
- Demis Hassabis: współzałożyciel DeepMind i noblista za AlphaFold
- Embedding po polsku: jak AI zamienia tekst na liczby i po co to firmie
- VRAM: co to jest i ile pamięci karty potrzeba do lokalnego AI
- Sam Altman: kim jest szef OpenAI i dlaczego budzi spory
- Ranking AI 2026: który model AI jest najlepszy i do czego go używać
Zobacz też
Zobacz też
Przewodnik po temacie LLM, czyli duże modele językowe: jak działają i który model AI wybrać

