Mistral Large 4 er en stor multimodal AI-model til blandt andet kodning, dokumentforståelse og agentopgaver. Den er lanceret som offentlig API-preview, mens modelvægtene er lovet inden udgangen af oktober 2026. Europæisk drift kan give organisationer flere valgmuligheder, men dokumenterer hverken dansk svarkvalitet eller automatisk overholdelse af GDPR.
Mistral Large 4 er tilgængelig som API-preview, mens modelvægtene først er lovet senere i oktober. Multimodal forståelse og europæisk drift giver nye muligheder for afprøvning, men dansk svarkvalitet, agenters handlingsrettigheder og behandling af personoplysninger kræver særskilt kontrol i den konkrete arbejdsgang.
Hvad er Mistral Large 4?
Mistral annoncerede modellen den 6. oktober 2026. Den kaldes også ML4 og har tilnavnet le Chonk. Den kombinerer behandling af tekst og visuelt materiale med mulighed for at indgå i systemer, der bruger værktøjer.
Modellen er generel: den kan bruges til forskellige opgavetyper frem for kun én specialiseret funktion. Dokumentationen angiver et kontekstvindue på en million tokens. Tokens er de enheder, modellen behandler; tallet er ikke et løfte om, at alle oplysninger i en stor dokumentmængde bliver fundet eller fortolket korrekt.
Hvad kan man bruge nu?
Ved lanceringen er adgangen en API-preview gennem Mistral Studio. Et API lader en applikation sende input til modellen og modtage output. Modelvægtene, som er modellens lærte talværdier, skal ifølge Mistral udgives inden udgangen af oktober. Den planlagte udgivelse er således noget andet end den adgang, der findes nu.
Preview betyder, at den afprøvede version kan ændre sig. Ved sammenligning over tid er modelversion og dato derfor en del af resultatet. En forbedring eller forringelse kan ellers skyldes en ændret tjeneste frem for ændringer i selve opgaven.
API-adgang og fremtidig egen drift har forskellige afhængigheder. Ved API-brug driver leverandøren modellen. Ved egen drift skal organisationen også håndtere kapacitet, opdateringer og sikkerhed. Det er en mulig fremtidig driftsform, når vægtene og de endelige brugsbetingelser foreligger.
Hvor stor er modellen?
De to officielle kilder angiver forskellige tal. Lanceringsartiklen beskriver én billion samlede parametre og 49 milliarder aktive. Modeldokumentationen angiver 1,05 billioner samlede og 52 milliarder aktive parametre samt en billedencoder på 1,6 milliarder parametre.
| Kilde | Samlede parametre | Aktive parametre |
|---|---|---|
| Lanceringsartikel | 1 billion | 49 milliarder |
| Modeldokumentation | 1,05 billioner | 52 milliarder |
Kilderne forklarer ikke forskellen. En præcis sammenligning med andre modeller kræver derfor en afklaring af, hvilken version og tællemetode tallene beskriver. Begge kilder placerer modellen omkring én billion parametre i alt.
Hvordan fungerer de aktive eksperter?
Mistral Large 4 bruger Mixture of Experts, ofte forkortet MoE. I denne type arkitektur fordeler en router beregninger til udvalgte delnetværk, kaldet eksperter. Kun en del af modellens parametre deltager i behandlingen af den enkelte token.
Aktive parametre beskriver dermed et beregningsforhold. De beskriver ikke størrelsen på alle de vægte, der skal opbevares og være tilgængelige under drift. En model med relativt få aktive parametre kan stadig have et stort samlet hukommelsesbehov.
Den tekniske skelnen betyder også, at parametertallet alene ikke kan bruges som hastighedsmål. Hukommelse, kommunikation mellem beregningsenheder og behandling af konteksten påvirker driften. MoE er derfor en måde at fordele arbejdet på, ikke en garanti for billig eller enkel installation på almindeligt udstyr.
Hvad betyder multimodal forståelse?
Multimodal AI behandler flere typer input. Her er tekst og billeder centrale for forståelsen af dokumenter, diagrammer og andet visuelt materiale. Det er noget andet end alene at søge efter ord i et dokument.
Et illustrativt eksempel er en medarbejder, der spørger til en graf i en rapport. Opgaven består både i at finde den relevante graf, aflæse akser og enheder og forbinde dem med spørgsmålet. Et korrekt formuleret svar er ikke tilstrækkeligt, hvis modellen har aflæst den forkerte kurve.
En praktisk kontrol kan derfor skelne mellem, om modellen fandt det rigtige sted, og om dens fortolkning er korrekt. En henvisning til en side eller et område gør et svar lettere at efterprøve, men erstatter ikke kontrollen af selve tallene.
Hvordan bliver modellen til en AI-agent?
En AI-agent består af mere end modellen. Applikationen stiller værktøjer, data og en arbejdsgang til rådighed. Mistrals dokumentation beskriver funktionskald, hvor modellen foreslår argumenter til en funktion, applikationen udfører den, og resultatet sendes tilbage til modellen.
Et forslag om at hente en fil og en udført filhentning er altså to forskellige hændelser. Tilsvarende er et udkast til en mail forskelligt fra afsendelsen. Grænsen mellem forslag og handling ligger i systemet omkring modellen.
- Læseadgang bestemmer, hvilke oplysninger systemet kan hente.
- Skriveadgang bestemmer, hvilke filer eller poster systemet kan ændre.
- Godkendelse før en handling kan give et menneske mulighed for at kontrollere modtager, indhold og konsekvens.
Disse skel er relevante, uanset hvor gode modellens egne svar er. En modeltest beskriver ikke automatisk, hvilke rettigheder en bestemt applikation giver den.
Hvad viser cybersikkerhedstesten?
Mistral gengiver et resultat på 82 procent i en test, hvor modellen skal reproducere en reel softwaresårbarhed og derefter rette den. Resultatet vedrører den beskrevne testopgave. Det er ikke en andel af alle ukendte fejl, som modellen kan opdage i en vilkårlig kodebase.
Reproduktion, opdagelse og rettelse er forskellige kontrolpunkter. En reproduktion viser, at en fejl kan udløses under bestemte betingelser. En foreslået rettelse kræver stadig kontrol af, om fejlen faktisk er fjernet, og om ændringen påvirker anden funktionalitet.
For et sikkerhedshold kan denne skelnen bruges til at afgrænse et forsøg: først en kendt fejl i et isoleret testmiljø, dernæst kontrol af rettelsen og øvrige testresultater. Det er et eksempel på en evalueringsmetode, ikke dokumentation for, at ML4 allerede løser organisationens sikkerhedsarbejde.
Hvordan vurderes kvalitet i en konkret opgave?
En benchmark viser resultatet på et bestemt sæt opgaver under bestemte betingelser. En arbejdsplads har også egne dokumenter, fagsprog, brugergrupper og fejlomkostninger. NISTs AI Risk Management Framework beskriver derfor måling i forhold til den tilsigtede anvendelse og løbende vurdering under drift.
Et afgrænset forsøg med dokumentforståelse kan eksempelvis registrere følgende:
- Om svaret bygger på det rigtige dokument og den rigtige side.
- Om tal, enheder og faglige begreber gengives korrekt.
- Om systemet markerer manglende oplysninger frem for at opfinde et svar.
- Hvor meget rettelse en medarbejder skal udføre, før resultatet kan bruges.
Det giver et mere konkret grundlag end et velformuleret enkeltstående svar. NISTs ramme er frivillig og giver ikke en certificering af Mistral Large 4.
Hvad betyder europæisk drift for GDPR?
Mistral oplyser, at modellen er trænet i virksomhedens egne europæiske datacentre, og at previewen leveres fra samme infrastruktur. Det beskriver en geografisk og teknisk del af driften.
GDPR-vurderingen omfatter også behandlingens formål, retlige grundlag, adgang, opbevaring og leverandørkæde. Datatilsynets cloudvejledning kræver overblik over hele kæden og de behandlinger, der foregår. EU-opbevaring udelukker ikke i sig selv en tredjelandsoverførsel; se-adgang fra et tredjeland kan også være en overførsel.
For en organisation med personoplysninger bliver modeldrift, logning, supportadgang og tilknyttede værktøjer derfor særskilte spørgsmål. En agent kan eksempelvis hente oplysninger fra en anden tjeneste, selv om modelberegningen foregår i Europa. Lanceringsartiklen dokumenterer ikke, at enhver sådan samlet løsning overholder GDPR.
Hvad betyder modellen for arbejdspladser i Danmark?
Mistral oplyser, at træningsmaterialet omfatter over 160 sprog og alle officielle EU-sprog. Det dokumenterer sproglig bredde i træningen, men giver ikke et særskilt kvalitetsresultat for dansk. Lanceringsmaterialet indeholder heller ikke en landespecifik garanti for adgang i Danmark.
For udviklere, offentlige arbejdspladser og faglige redaktioner er nyheden derfor især en ny modelmulighed, der kan undersøges i konkrete arbejdsgange. Den europæiske infrastruktur kan være relevant ved valg af drift, mens brugbarheden afhænger af den faktiske opgave og databehandling.
Et illustrativt forsøg kan bruge rapporter med danske fagudtryk, forkortelser og tabeller samt spørgsmål, som materialet ikke besvarer. Dermed undersøges både korrekt forståelse og håndtering af usikkerhed. Det er en praktisk fortolkning af behovet for lokal evaluering, ikke en påstand om et dokumenteret ML4-resultat.
Hvordan hænger åbne vægte og AI-forordningen sammen?
Modelvægte kan gøre egen drift mulig, når de udgives, men vægtadgang siger ikke i sig selv noget om lovligheden af en konkret anvendelse. Licensvilkår, teknisk kontrol og lovkrav besvarer forskellige spørgsmål.
EU’s AI-forordning skelner mellem generelle AI-modeller og de systemer, der bygger på dem. For systemer har anvendelsen betydning for risikoen. Et værktøj til rapportudkast og et system til bestemte beslutninger om ansættelse eller uddannelse kræver derfor forskellige vurderinger.
En organisation kan således ikke udlede en samlet godkendelse af ordene europæisk eller open-weight. Modellens egenskaber skal ses sammen med formål, data, menneskeligt tilsyn og de handlinger, systemet kan udføre. Mistrals lancering afgør ikke denne vurdering for et bestemt system.
Hvilke kilder ligger til grund?
Modeloplysningerne bygger på Mistrals lanceringsbeskrivelse og modeldokumentation. De praktiske afgrænsninger støttes af NISTs ramme for AI-risici, Datatilsynets cloudvejledning og EU-Kommissionens AI Act-oversigt.