Mistral открыла публичную предварительную версию Large 4 6 октября 2026 года. Новую модель можно вызывать через API в Mistral Studio, а её веса компания обещает выпустить к концу октября. Для пользователя это два разных способа работы: сейчас запросы обрабатывает облачный сервис, позже появится возможность самостоятельного развёртывания.
Что умеет новая модель
Mistral Large 4 работает с текстом и изображениями. В официальной карточке указано контекстное окно в 1 млн токенов: столько фрагментов текста модель может учитывать в рамках запроса вместе с ответом. Большой контекст полезен для объёмных материалов, но сам по себе не гарантирует, что модель безошибочно найдёт каждую деталь.
В API есть ответы по документам, вызов внешних функций и структурированный вывод. Последний позволяет заранее задать форму результата, например перечень позиций с количеством, ценой и ссылкой на строку исходной таблицы. Это удобно, когда ответ нужно передать дальше в программу, а не просто прочитать в чате.
карточка модели и доступные функции
Как попробовать на понятной рабочей задаче
Для первого запуска подойдёт небольшая учебная таблица поставок. Она позволяет проверить сразу три вещи: понимает ли модель русскую формулировку, правильно ли считает и замечает ли, что части данных нет. Ниже приведён пример задания с вымышленными числами.
| Позиция | Заказано, шт. | Получено, шт. | Цена, руб./шт. |
|---|---|---|---|
| A | 100 | 90 | 200 |
| B | 50 | 50 | 300 |
| C | 80 | 60 | 150 |
Запрос для модели: «Проанализируй только данные таблицы. Для каждой позиции посчитай недопоставку и её стоимость. Укажи общую стоимость полученного и недопоставленного. Сошлись на строки A, B и C. Когда довезут остаток? Если срок не указан, скажи, что данных нет. Не добавляй факты».
Контрольный ответ легко посчитать заранее: по A не хватает 10 единиц на 2 000 рублей, по C — 20 единиц на 3 000 рублей; B поставлена полностью. Общая стоимость недопоставки — 5 000 рублей, полученного товара — 42 000 рублей. Дату следующей поставки из этой таблицы определить нельзя.
Начать можно с текста таблицы, а затем отправить её изображение и сравнить результаты. Так отдельно проверяется чтение картинки. Если модель придумывает срок или ошибается в сумме, этот результат стоит исправить до переноса ответа в рабочий документ.
У PDF есть дополнительная особенность: Document QnA сначала извлекает содержимое с помощью OCR, а затем передаёт его языковой модели. Ошибка распознавания числа может повлиять на последующий расчёт. Поэтому для сложного скана полезно проверить и извлечённый текст.
как устроена работа с документами
Что изменилось по сравнению с Large 3
У предыдущей Mistral Large 3 в карточке указан контекст 256 тысяч токенов. У Large 4 он вырос до 1 млн. При этом понимание изображений, ответы по документам и вызов функций были доступны и раньше: само наличие этих возможностей не является новшеством четвёртой версии.
Отличается и статус выпуска. Large 3 вышла с доступными весами под Apache 2.0. Large 4 пока находится в public preview, то есть в предварительной публичной версии. Обещание открытых весов ещё не даёт готового пакета для локальной установки и не определяет условия будущей лицензии.
характеристики Mistral Large 3
Доступ и цена API
Для обращения к модели в Mistral API используется имя mistral-large-4. API — это способ отправлять запросы из приложения или скрипта; его доступность не означает, что эту же модель можно выбрать в любом потребительском чате Mistral.
На старте действует скидка 50% на две недели. В стандартном API-тарифе миллион входных токенов стоит 0,68 доллара, выходных — 2,09 доллара, кэшированного входа — 0,07 доллара. В прайс-листе рядом указаны полные ставки: 1,36, 4,18 и 0,14 доллара соответственно. Акционную цену не стоит закладывать как постоянную стоимость проекта.
У посредников могут отличаться цены и ограничения. Для сравнения важно смотреть не только название модели, но и конкретный сервис, доступный контекст и тип тарифа. Если вы впервые сталкиваетесь с таким способом доступа, начните с нашего разбора OpenRouter.
Кому стоит пробовать сейчас
Large 4 имеет смысл рассмотреть для работы с объёмными текстами, изображениями и задачами, где нужен ответ в заданном формате. Начать лучше с небольшого документа, для которого уже известен правильный результат. Такой пример помогает оценить пригодность модели для своей задачи до загрузки большого массива материалов.
Если принципиально важно обрабатывать данные на собственной инфраструктуре, следующий значимый этап — выпуск весов и лицензии. Пока доступный путь к Large 4 проходит через облачный preview API.
