Mistral Large 4: Model MoE 1,05 Triliun Parameter, Bobot Dijadwalkan Akhir Oktober

Mistral merilis public preview Mistral Large 4 pada 6 Oktober 2026, model multimodal open-weight dengan 1,05 triliun parameter total dan 52 miliar parameter aktif. Bobotnya belum tersedia untuk diunduh; halaman model di Hugging Face menampilkan hitung mundur menuju 31 Oktober 2026. Versi preview ini bisa dicoba lewat API di Mistral Studio.

TL;DR

• Mistral Large 4 masuk public preview 6 Oktober 2026 lewat API Mistral Studio.
• Arsitekturnya Mixture-of-Experts granular: 1,05 triliun parameter total, 52 miliar aktif, plus vision encoder 1,6 miliar.
• Bobot belum dirilis; halaman Hugging Face menampilkan hitung mundur menuju 31 Oktober 2026.
• Mistral menyebut ML4 memimpin model open-weight di luar China, klaim yang belum bisa diverifikasi sebelum bobotnya rilis.
• Model ini dilatih di Eropa dan jadi taruhan Mistral melawan dominasi model open-weight dari China.

Apa itu Mistral Large 4 dan apa yang baru?

Mistral Large 4 adalah model general-purpose multimodal dengan arsitektur Mixture-of-Experts granular. Menurut dokumentasi model Mistral, ia memiliki 52 miliar parameter aktif dan 1,05 triliun parameter total, plus vision encoder 1,6 miliar parameter. Artinya, dari total parameter yang sangat besar, hanya sebagian kecil yang aktif pada satu waktu, pola yang sama dipakai banyak model MoE untuk menekan biaya inferensi.

Yang baru dibanding generasi sebelumnya adalah kombinasi skala dan sifat multimodal dalam satu paket open-weight. Mistral menyebut ML4 mendorong batas performa open-weight, dan pengumuman resminya tersedia di blog Mistral. Model ini masuk sebagai public preview, bukan rilis umum, sehingga API-nya bisa berubah sebelum versi final.

Nama internalnya adalah "Le Chonk". Bobot model ini akan dirilis di Hugging Face dengan nama repositori Mistral-Large-4.0-1T05-A52B, yang langsung mengisyaratkan konfigurasi 1,05 triliun total dan 52 miliar aktif. Angka pada nama repo itu cocok dengan spesifikasi di dokumentasi resmi, sehingga bisa dijadikan penanda saat mencari berkas bobot yang benar nanti.

Seberapa besar Mistral Large 4 dibanding model open-weight lain?

Dari sisi parameter, Mistral Large 4 berada di kelas yang sebelumnya lebih sering diisi model open-weight asal China. Mistral mengklaim ML4 memimpin model open-weight di luar China, klaim yang dilaporkan sejumlah media saat peluncuran, termasuk The Next Web. Karena bobotnya belum dirilis, klaim ini belum bisa diverifikasi independen lewat benchmark publik pada saat rilis, jadi anggap sebagai klaim vendor sampai ada bukti dari pihak ketiga.

Menurut laporan Quartz, model ini dilatih memakai sekitar 4.000 GPU Nvidia di Eropa. Detail itu penting karena menempatkan ML4 sebagai proyek yang menekankan kedaulatan komputasi Eropa, bukan sekadar model dengan jumlah parameter besar. Tabel berikut merangkum spesifikasi yang sudah dipublikasikan.

Spesifikasi	Mistral Large 4
Arsitektur	Mixture-of-Experts granular, multimodal
Parameter total	1,05 triliun
Parameter aktif	52 miliar
Vision encoder	1,6 miliar parameter
Status	Public preview per 6 Oktober 2026
Bobot	Dijadwalkan akhir Oktober 2026

Perlu dicatat, jumlah parameter aktif yang jauh lebih kecil dari total adalah ciri MoE. Pada inferensi, hanya subset ahli yang diaktifkan, sehingga biaya komputasi per token lebih dekat ke model 52 miliar parameter ketimbang 1,05 triliun. Namun model tetap membutuhkan memori besar untuk menampung seluruh bobot, kecuali dijalankan dengan teknik offloading atau kuantisasi yang menurunkan presisi.

Kapan bobot Mistral Large 4 bisa diunduh?

Belum tersedia sekarang. Menurut halaman model di Hugging Face, unduhan bobot dijadwalkan pada akhir Oktober 2026, dengan hitung mundur yang mengarah ke 31 Oktober 2026. Sampai tanggal itu, yang bisa dipakai adalah API preview di Mistral Studio, bukan bobot untuk dijalankan sendiri.

Pola rilis seperti ini, preview dulu lalu bobot menyusul, memberi Mistral waktu mengumpulkan masukan sebelum membuka akses penuh. Bagi tim yang ingin menjalankan model di infrastruktur sendiri, penting memperhitungkan kebutuhan memori: bobot 1,05 triliun parameter dalam presisi penuh akan menuntut perangkat keras kelas besar, sehingga banyak pengguna kemungkinan memakai versi terkuantisasi atau layanan terkelola. Ini juga memberi jeda untuk menguji kualitas model lewat API sebelum berkomitmen menyiapkan server sendiri.

Bagaimana cara mencoba Mistral Large 4 sekarang?

Langkah paling langsung adalah membuka Mistral Studio dan memakai API preview. Dokumentasi model menyediakan referensi endpoint dan parameter, sehingga kamu bisa mengintegrasikannya lewat SDK atau permintaan HTTP biasa. Karena statusnya preview, sebaiknya jangan jadikan model ini satu-satunya jalur di aplikasi yang sudah berjalan; siapkan fallback ke model lain bila kuota atau perilakunya berubah.

Untuk perbandingan, uji model ini pada beberapa tugas nyata: ringkasan dokumen, tanya jawab atas berkas, dan tugas multimodal yang melibatkan gambar. Karena ML4 punya vision encoder, ia bisa memproses masukan visual, sesuatu yang tidak dimiliki model teks murni. Catat hasilnya sebelum bobot rilis agar kamu punya dasar evaluasi saat versi final tersedia, bukan kesan yang kabur dari ingatan.

Kalau tujuanmu menyiapkan infrastruktur sendiri, pakai periode preview ini untuk memperkirakan kebutuhan memori dan biaya. Menjalankan model MoE besar tidak sama dengan menjalankan model padat berukuran parameter aktif, karena seluruh bobot tetap harus tersedia. Angka itu yang perlu kamu uji lebih dulu sebelum membeli perangkat keras.

Bisakah Mistral Large 4 dipakai untuk produksi sekarang?

Bisa dicoba lewat API preview, tetapi belum ideal untuk produksi jangka panjang. Statusnya masih public preview, yang biasanya berarti harga, batas kuota, dan antarmuka bisa berubah sebelum rilis umum. Untuk eksperimen, prototipe, atau evaluasi kualitas, API preview sudah cukup. Untuk beban produksi yang butuh stabilitas, sebaiknya tunggu rilis bobot dan versi final.

Kalau rencanamu menjalankan model sendiri setelah bobot rilis, siapkan rencana kapasitas sejak sekarang. Model MoE besar butuh memori untuk seluruh parameter, meski hanya sebagian aktif per token. Untuk banyak tim, kombinasi kuantisasi dan serving terdistribusi jadi jalan yang realistis, bukan menjalankannya di satu GPU tunggal yang jauh dari cukup.

Apa artinya bagi pengembang di Indonesia?

Kehadiran model open-weight sekelas ini menambah pilihan di luar model tertutup. Ketika bobotnya rilis, pengembang bisa mengevaluasi kualitasnya untuk kasus berbahasa Indonesia dan memutuskan apakah layak dipakai, alih-alih bergantung pada satu penyedia. Namun biaya menjalankan model sebesar ini tetap tinggi, jadi untuk banyak tim jalur yang paling praktis adalah memakai API, bukan menjalankan sendiri di server lokal.

Yang juga relevan adalah efek kompetisi. Setiap model open-weight baru menekan harga inferensi di pasar, terutama untuk tugas yang tidak butuh model paling besar. Jadi meski kamu tidak langsung memakai Mistral Large 4, rilis seperti ini biasanya menurunkan biaya pilihan model yang sudah ada, dan itu terasa langsung di tagihan API bulanan.

Apa itu open-weight dan bedanya dengan open source?

Open-weight berarti bobot model dirilis sehingga siapa pun bisa mengunduh dan menjalankannya, tetapi itu tidak otomatis berarti open source. Lisensi dan syarat pemakaian bisa berbeda, dan sebagian model open-weight tetap punya batasan komersial atau ketentuan tambahan. Untuk Mistral Large 4, pengumumannya menyebut bobot akan dirilis, jadi syarat lengkapnya perlu dicek saat bobot benar-benar tersedia, bukan disimpulkan dari istilahnya saja.

Bagi pengguna, perbedaan ini penting karena menentukan apa yang boleh kamu lakukan dengan model, termasuk menjalankannya secara lokal, memodifikasinya, atau memakainya dalam produk komersial. Sebelum memutuskan memakai model open-weight di produksi, baca lisensinya, bukan hanya melihat angka parameter di pengumuman.

Apa tantangan menjalankan model MoE sebesar ini?

Tantangan utamanya memori. Karena hanya sebagian parameter yang aktif per token, biaya komputasi bisa lebih ringan, tetapi seluruh bobot tetap harus tersedia agar model bisa berjalan. Untuk model 1,05 triliun parameter, kebutuhan memori jauh melampaui satu GPU biasa, sehingga pilihan realistisnya adalah kuantisasi, offloading, atau serving terdistribusi di beberapa perangkat.

Konsekuensinya, open-weight tidak sama dengan mudah dijalankan sendiri. Banyak pengguna kemungkinan tetap memakai penyedia API, terutama untuk beban yang tidak menuntut kontrol penuh atas infrastruktur. Menjalankan sendiri baru masuk akal kalau kamu punya kebutuhan privasi atau kustomisasi yang tidak bisa dipenuhi lewat API.

Di mana Mistral Large 4 bisa dicoba?

Versi preview tersedia lewat API di Mistral Studio, dan dokumentasi model memuat referensi teknis untuk integrasi. Mistral juga menerbitkan pengumuman resmi di blog-nya, sehingga kamu bisa mengikuti perubahan status dari preview menuju rilis bobot. Sebelum bobot tersedia, cara paling praktis mengevaluasi model ini adalah lewat API, bukan menunggu bisa menjalankannya sendiri.

Apakah ada benchmark resmi untuk Mistral Large 4?

Pada saat rilis, yang tersedia terutama adalah klaim vendor dan angka spesifikasi, bukan hasil benchmark pihak ketiga yang bisa diperiksa ulang. Karena bobotnya belum dirilis, komunitas belum bisa menjalankan pengujian independen. Sebaiknya tunggu hasil evaluasi pihak ketiga sebelum menarik kesimpulan soal kualitas, dan jangan jadikan klaim pemasaran sebagai dasar keputusan teknis.

FAQ

Apakah bobot Mistral Large 4 sudah bisa diunduh?

Belum. Per 6 Oktober 2026 statusnya public preview lewat API Mistral Studio, sedangkan bobot dijadwalkan rilis akhir Oktober 2026 menurut halaman model di Hugging Face.

Berapa parameter Mistral Large 4?

Total 1,05 triliun parameter dengan 52 miliar parameter aktif, plus vision encoder 1,6 miliar parameter. Arsitekturnya Mixture-of-Experts granular dan multimodal, sesuai dokumentasi resmi Mistral.

Apa itu Mixture-of-Experts dan kenapa dipakai?

MoE mengaktifkan hanya sebagian kecil parameter untuk setiap token, sehingga biaya komputasi per token lebih rendah dibanding model padat berukuran sama. Konsekuensinya, model tetap butuh memori besar untuk menampung seluruh bobot meski hanya sebagian yang aktif.

Apakah Mistral Large 4 tersedia gratis?

Preview API-nya tersedia di Mistral Studio, tetapi belum ada informasi harga final yang bisa dikutip pada artikel ini. Karena statusnya masih preview, harga dan batas kuota bisa berubah sebelum rilis versi final.

Apakah model ini bisa dijalankan di laptop?

Untuk bobot penuh, tidak realistis karena ukurannya 1,05 triliun parameter. Menjalankan di perangkat sendiri baru masuk akal setelah bobot rilis, dan biasanya lewat versi terkuantisasi atau serving terdistribusi, bukan di satu mesin biasa.

Rekomendasi Tools & Layanan

Mau langsung nyobain AI yang dibahas di artikel ini tanpa setup ribet? AI token plan Alibaba Cloud ngasih akses ke Qwen, DeepSeek, dan model lain lewat satu API — dan platform Qwen buat build agent sendiri. Free tier-nya cukup buat eksperimen pertama.