# Mistral Large 4: обзор открытой модели с контекстом 1M и доступ через RouterAI

Mistral AI выпустила Mistral Large 4 — свою самую крупную модель: около 1 триллиона параметров в архитектуре mixture-of-experts, нативная работа с текстом и изображениями и контекст 1M токенов. Предварительная версия вышла 6 октября 2026 года, а в конце октября Mistral опубликовала открытые веса улучшенной версии. В каталоге RouterAI модель доступна как `mistralai/mistral-large-4-0`: вход стоит около 75 ₽ за миллион токенов, доступ из России без VPN, оплата в рублях. Разбираем, что заявила Mistral, на каких условиях открыты веса, как модель выглядит по цене рядом с Claude, GPT и Gemini и как проверить её запросом через RouterAI.

## Что такое Mistral Large 4

По [документации Mistral](https://docs.mistral.ai/models/mistral-large-4-0), это универсальная открытая мультимодальная модель с архитектурой Mixture-of-Experts (MoE): 1,05 трлн параметров всего, 52 млрд активных на токен и визуальный энкодер на 1,6 млрд параметров. Вход — текст и изображения, выход — текст. В блоге Hugging Face активных параметров указано около 49 млрд — ориентируйтесь на документацию самой Mistral. Подробнее про принцип MoE — в глоссарии про [Mixture of Experts](https://routerai.ru/pages/mixture-of-experts-moe).

Что Mistral отмечает как главное:

- **Кодинг и агенты.** Модель позиционируется как лучшая открытая для agentic coding: в анонсе приведены результаты на FrontierCode 2.0, Terminal-Bench 4.0 и Artificial Analysis Coding Agent Index (цифры — в разделе про бенчмарки).
- **Кибербезопасность.** Mistral делает на неё отдельный акцент: модель должна выполнять защитные задачи (воспроизведение и исправление уязвимостей) без лишних отказов, но отклонять вредоносные запросы.
- **Три режима рассуждений.** Low (для простых задач, заменяет прежний режим «без рассуждений»), Medium (повседневные задачи) и High (по умолчанию, для самых сложных случаев).
- **Мультиязычность.** В обучении, по словам Mistral, значительная доля данных была многоязычной — более 160 языков, включая все официальные языки ЕС. В списке языков карточки модели на Hugging Face есть русский.

Хронология: 6 октября 2026 — публичный preview, 29 октября — открытые веса версии, которую Mistral дообучала ещё около трёх недель с помощью reinforcement learning. Именно с ней вы работаете через API.

## Контекст 1M и открытые веса

В каталоге RouterAI у `mistralai/mistral-large-4-0` контекстное окно — 1 048 576 токенов, максимум на выходе — 262 тысячи. Для сравнения: у Claude Sonnet 5.5 и Opus 5.5 контекст 1M, у GPT-6.1 Terra — 1,05M, у Gemini 4 Argon и DeepSeek V4 Pro — около 1,05M. По размеру окна Mistral Large 4 стоит в одном ряду с флагманами, выбор между ними определяют цена и поведение на вашей задаче.

Веса лежат на Hugging Face в репозитории [mistralai/Mistral-Large-4-1T-A52B](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B). По данным блога Hugging Face, официально выпущены два варианта — FP8 и NVFP4, а также есть GGUF-сборки от Unsloth и команды llama.cpp; для запуска Mistral называет vLLM и SGLang.

### Лицензия

Модель распространяется по **Mistral Ecosystem Open-Weight License** — это модифицированная MIT. Как пишет Mistral, модель можно свободно использовать, изменять, дообучать и применять коммерчески, с одним условием: компании, которые предоставляют модель как сервис (Model-as-a-Service), должны получить отдельную коммерческую лицензию Mistral. В карточке на Hugging Face лицензия помечена как `other`, поэтому перед коммерческим запуском на своей инфраструктуре прочитайте текст лицензии целиком. О том, чем открытые веса отличаются от «открытого исходного кода», — в глоссарии про [Open-source AI](https://routerai.ru/pages/open-source-ai-modeli).

Для разработчика из России открытые веса означают два пути: поднять модель самому (для триллионной MoE это серьёзная инфраструктура) или обращаться к ней через API без развёртывания. Второй вариант — это RouterAI.

## Бенчмарки: цифры Mistral

Все результаты ниже опубликованы самой Mistral в [анонсе открытых весов](https://mistral.ai/news/mistral-large-4-oss/) (включая наборы Cognition и Artificial Analysis, оценки на которых проводились самими их авторами). Независимой перепроверки на момент статьи нет, поэтому читайте их как заявления вендора.

| Бенчмарк | Результат Mistral Large 4 | Комментарий Mistral |
| --- | --- | --- |
| Cognition FrontierCode 2.0 (закрытый набор) | 19,7% | первое место среди сравниваемых открытых моделей (GLM-5.3, Kimi K3, DeepSeek V4.1 Flash и др.) |
| Artificial Analysis Coding Agent Index | 48% | на уровне лучшей открытой модели GLM-5.3, но в среднем на 47% меньше токенов на задачу |
| Terminal-Bench 4.0 | 41% | +13 п.п. к preview, выходных токенов на 30% меньше |
| Artificial Analysis Cyber Index | 51% | поиск, воспроизведение и исправление уязвимостей |
| BrowseComp | 84,5% | выше GLM-5.3 и DeepSeek V4.1 Flash, ниже Kimi K3 (91,2%) |
| Finch (FinWorkBench) | 73,3% | второй результат среди открытых моделей после Kimi K3 |
| B3 Agent Security | 97,1% отражённых атак | у preview — 93,3% |

Отдельно Mistral приводит слепое сравнение Surge Code: в парных оценках кода Mistral Large 4 предпочли GLM-5.3, Kimi K3 и DeepSeek V4.1 Flash, а впереди оказался только Claude Opus 5.5 (Mistral Large 4 выигрывал у Opus 5.5 в 22% сравнений). Hugging Face в своём разборе пишет, что на 29 октября 2026 года модель — пятая среди открытых по Artificial Analysis Intelligence Index.

## Цены в RouterAI и сравнение с флагманами

Цены из каталога RouterAI на 9 ноября 2026 года, ₽ за 1M токенов. Они зависят от провайдера, фактически обработавшего запрос, и меняются вместе с курсом, поэтому актуальные значения смотрите на [карточках моделей](https://routerai.ru/models). Для справки: Mistral в своём API называет 0,70 $ за 1M входных, 0,07 $ за кэшированные входные и 2,10 $ за 1M выходных токенов.

| Модель | Вход, ₽ | Выход, ₽ | Кэш: чтение, ₽ | Контекст | Принимает на вход |
| --- | ---: | ---: | ---: | ---: | --- |
| `mistralai/mistral-large-4-0` | 74,75 | 224,24 | 7,47 | 1,05M | текст, изображения |
| `mistralai/mistral-large-2512` (Large 3) | 53,39 | 160,17 | 5,34 | 262K | текст, изображения, файлы |
| `anthropic/claude-sonnet-5.5` | 213,56 | 1067,80 | 10,68 | 1M | текст, изображения, файлы |
| `anthropic/claude-opus-5.5` | 427,12 | 2135,60 | 21,36 | 1M | текст, изображения, файлы |
| `openai/gpt-6.1-terra` | 106,78 | 533,90 | 5,34 | 1,05M | текст, изображения, файлы |
| `google/gemini-4-argon` | 213,56 | 1067,80 | 10,68 | 1,05M | текст, изображения, файлы, аудио, видео |
| `deepseek/deepseek-v4-pro` | 134,54 | 224,24 | 37,37 | 1,05M | текст |
| `tencent/hy4` | 44,53 | 133,53 | 2,24 | 1,05M | текст, изображения |

![Карточка Mistral Large 4 в каталоге RouterAI: цены за 1 млн токенов (вход 74 ₽, выход 224 ₽, кэш 7 ₽), идентификатор mistralai/mistral-large-4-0 и кнопки «Открыть в чате» и «Подключить по API»](https://b51bc417-3ee0-451a-a83b-8a681d027a96.selstorage.ru/public/22a047e72dfce28c98081a9a41df39e7.png)

Что видно из таблицы:

- **Против Claude Opus 5.5** Mistral Large 4 примерно в 5,7 раза дешевле по входу и в 9,5 раза по выходу.
- **Против Claude Sonnet 5.5 и Gemini 4 Argon** — в 2,9 раза дешевле по входу и в 4,8 раза по выходу. Argon при этом принимает ещё аудио и видео ([обзор Gemini 4 Argon](https://routerai.ru/pages/gemini-4-argon-obzor)).
- **Против GPT-6.1 Terra** — в 1,4 раза дешевле по входу и в 2,4 раза по выходу; про Terra и Sol есть [отдельный обзор](https://routerai.ru/pages/gpt-6-1-terra-sol-routerai).
- **Против DeepSeek V4 Pro** вход дешевле в 1,8 раза, выход стоит одинаково (224,24 ₽), но V4 Pro принимает только текст.
- **Против Tencent Hy4** Mistral Large 4 дороже примерно в 1,7 раза и по входу, и по выходу ([обзор Tencent Hy4](https://routerai.ru/pages/tencent-hy4-obzor-routerai)).
- **Против Mistral Large 3** (`mistralai/mistral-large-2512`) новая версия дороже примерно на 40%, зато окно вчетверо больше (1,05M против 262K).

Из этой таблицы можно подтвердить только цену. Сравнивать качество Mistral Large 4 с Claude, GPT и Gemini на одной методике независимые исследователи на момент статьи не успели, поэтому цифры Mistral из раздела выше не означают, что модель лучше или хуже конкурентов на вашей задаче: проверяйте на своих данных.

## Проверка модели запросом через RouterAI

Модель подключается как любая другая в каталоге: Base URL `https://routerai.ru/api/v1`, идентификатор `mistralai/mistral-large-4-0`, ключ — из личного кабинета. Готовый пример запроса есть и на вкладке «API» карточки модели.

![Вкладка «API» карточки Mistral Large 4: адрес POST https://routerai.ru/api/v1/chat/completions и пример кода для OpenAI Python SDK с моделью mistralai/mistral-large-4-0](https://b51bc417-3ee0-451a-a83b-8a681d027a96.selstorage.ru/public/4eb6030ce854b75b8f17f2d25636d391.png)

### Обычный запрос

```bash
curl https://routerai.ru/api/v1/chat/completions \
  -H "Authorization: Bearer sk-xxxxxxxxxxxxxxxx" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistralai/mistral-large-4-0",
    "reasoning_effort": "low",
    "max_tokens": 3000,
    "messages": [
      {"role": "user", "content": "Напиши на Python функцию, которая считает сумму счёта с НДС 20% и округляет до копеек (Decimal). Только код."}
    ]
  }'
```

Модель ответила кодом на `Decimal` с округлением `ROUND_HALF_UP`. Важная деталь: это reasoning-модель, и токены рассуждений входят в расход по выходной цене (подробнее — в глоссарии про [reasoning-модели](https://routerai.ru/pages/reasoning-modeli)). На этом коротком запросе при `low`, `medium` и `high` модель потратила на рассуждения 861, 745 и 686 токенов соответственно, то есть заметной зависимости от значения на одном запросе не видно. Поэтому `max_tokens` берите с запасом: при малом лимите рассуждения могут съесть его целиком, и `content` в ответе придёт пустым с `finish_reason: "length"`.

### Вызов функций (tools)

```python
from openai import OpenAI

client = OpenAI(base_url="https://routerai.ru/api/v1", api_key="sk-xxxxxxxxxxxxxxxx")

tools = [{
    "type": "function",
    "function": {
        "name": "get_invoice",
        "description": "Получить счёт по номеру",
        "parameters": {
            "type": "object",
            "properties": {"id": {"type": "string"}},
            "required": ["id"],
        },
    },
}]

resp = client.chat.completions.create(
    model="mistralai/mistral-large-4-0",
    messages=[{"role": "user", "content": "Покажи статус счёта A-1024"}],
    tools=tools,
    reasoning_effort="low",
    max_tokens=1500,
)
call = resp.choices[0].message.tool_calls[0]
print(resp.choices[0].finish_reason, call.function.name, call.function.arguments)
# tool_calls get_invoice {"id": "A-1024"}
```

Модель вернула `finish_reason: "tool_calls"` и вызов `get_invoice` с аргументом `{"id": "A-1024"}`. Это основа для агентных сценариев, например в [n8n](https://routerai.ru/pages/n8n-ai-agent-routerai).

### Длинный контекст

Для проверки взят реестр из 9000 строк вида «Счёт INV-00001: клиент …, сумма …, статус оплачен» (около 200 тысяч токенов), в который добавлена одна строка «Счёт INV-06124 … статус ПРОСРОЧЕН, примечание: код возврата ZX-9041». Вопрос: назвать номер просроченного счёта и код. Модель ответила верно: INV-06124 и ZX-9041. Входная часть такого запроса стоит около 15 ₽ по ценам каталога. Это пятая часть окна, а не полный 1M, и поиск одной строки — простая проверка; на реальных документах с рассуждениями по всему тексту качество нужно проверять отдельно.

### Изображения

Запрос с картинкой передаётся в формате OpenAI Vision: image_url с data:image/png;base64,... или ссылкой на файл. В каталоге у модели входные модальности — текст и изображения. Результаты Mistral на визуальных задачах (графики, документы, чертежи) — заявления вендора, проверяйте их на своих изображениях.

## Примеры задач

- **Агентный кодинг.** Mistral делает на это главный упор: правки в репозитории, работа в терминале, исправление багов. Попробуйте подключить модель к своему CLI-агенту или IDE и сравнить с текущей: заявленная экономия токенов на задачу влияет на счёт напрямую.
- **Анализ больших документов и кодовых баз.** Контекст 1M и кэш на чтение (7,47 ₽ за 1M токенов вместо 74,75 ₽) выгодны, когда один и тот же длинный документ используется в серии запросов.
- **Защитные задачи кибербезопасности.** Разбор уязвимостей, написание правил детектирования, анализ кода: Mistral отдельно подчёркивает, что модель не отказывается от легитимной защитной работы.
- **Работа с документами и таблицами.** Mistral заявляет улучшения в создании и редактировании таблиц и в финансовых сценариях (Finch 73,3%).
- **Дешёвый режим для простых запросов.** Для классификации и коротких ответов используйте `reasoning_effort: "low"` и разумный `max_tokens`.

## Что дальше

Mistral называет Large 4 основой для нового поколения специализированных моделей и обещает подробности в техническом отчёте. Если вас интересуют решения помельче, в каталоге RouterAI есть и другие модели Mistral: `mistralai/mistral-medium-3-5`, `mistralai/mistral-small-2603` (Mistral Small 4, 262K контекста, 16 ₽ за 1M на входе) и `mistralai/ministral-14b-2512`. Общий обзор линейки — в статье про [Mistral API](https://routerai.ru/pages/mistral-api).

Mistral Large 4 уже в [каталоге RouterAI](https://routerai.ru/models/mistralai/mistral-large-4-0) — без VPN и с оплатой в рублях. [Создайте аккаунт](https://routerai.ru/users/sign_up), пополните баланс и сравните модель со своей текущей на реальной задаче: разницу в цене видно сразу, а разницу в качестве покажет только ваша нагрузка.