# Mistral Large 4 (Le Chonk) open weights: wat je moet weten

[Naar de inhoud](#lm-inhoud)Netwerk/NL[EN](/en/mistral-large-4-le-chonk)[Hubhub.llmnet.nlModellen vergelijken op taak, taal, kosten en licentie.](https://hub.llmnet.nl/)[Communitycommunity.llmnet.nlPrompttechnieken, patronen en systeemprompts.](https://community.llmnet.nl/)[APIapi.llmnet.nlLLM's robuust in software: rate limits, routing, structured output.](https://api.llmnet.nl/)[Consultancyconsultancy.llmnet.nlAI invoeren in een organisatie, van pilot tot productie.](https://consultancy.llmnet.nl/)[Nieuwsnieuws.llmnet.nlOntwikkelingen in AI, geduid voor Nederland.](https://nieuws.llmnet.nl/)[Benchmarkbenchmark.llmnet.nlZelf meten wat AI-kwaliteit is, voor jouw taken.](https://benchmark.llmnet.nl/)[Vacaturesvacatures.llmnet.nlAI-rollen, salarissen en carrièrepaden in Nederland.](https://vacatures.llmnet.nl/)[Lerenleren.llmnet.nlAI-concepten in gewoon Nederlands, van beginner tot bouwer.](https://leren.llmnet.nl/)[Gidsgids.llmnet.nlAI privé draaien op eigen Mac, pc, NAS of thuisserver.](https://gids.llmnet.nl/)[Directorydirectory.llmnet.nlHet AI-ecosysteem in kaart: tools, modellen, bedrijven.](https://directory.llmnet.nl/)[Radarradar.llmnet.nlSignalen uit X, onderzoek en communities voor indie developers.](https://radar.llmnet.nl/)[Appsapps.llmnet.nlReviews van AI-apps en open-source repo's, met tips voor wie zelf bouwt.](https://apps.llmnet.nl/)[Trendingtrending.llmnet.nlElke dag de AI-trends van X, geduid in het Nederlands.](https://trending.llmnet.nl/)[llmnet.nl — hoofdsite](https://llmnet.nl/)[](https://x.com/intent/post?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fmistral-large-4-le-chonk&text=Mistral%20Large%204%20%28Le%20Chonk%29%20open%20weights%3A%20wat%20je%20moet%20weten)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fmistral-large-4-le-chonk)[](https://www.reddit.com/submit?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fmistral-large-4-le-chonk&title=Mistral%20Large%204%20%28Le%20Chonk%29%20open%20weights%3A%20wat%20je%20moet%20weten)[](#)
[](https://x.com/intent/post?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fmistral-large-4-le-chonk&text=Mistral%20Large%204%20%28Le%20Chonk%29%20open%20weights%3A%20wat%20je%20moet%20weten)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fmistral-large-4-le-chonk)[](https://www.reddit.com/submit?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fmistral-large-4-le-chonk&title=Mistral%20Large%204%20%28Le%20Chonk%29%20open%20weights%3A%20wat%20je%20moet%20weten)[](#)

# Mistral Large 4 (Le Chonk) open weights: wat bouwers moeten weten

Door Ivo Donker · 30 oktober 2026 — samengesteld met AI-ondersteuning (DeepSeek V4.1 Flash)
Mistral heeft de weights vrijgegeven van een verbeterde Mistral Large 4, met de bijnaam 'Le Chonk'. Dat gebeurde volgens de Hugging Face-blog op 29 oktober 2026. Eerder in oktober stond Mistral Large 4 al in publieke preview; sindsdien heeft Mistral ongeveer drie weken extra reinforcement learning toegepast op basis van feedback. De opgegeven focus van deze release is agentic coding en defensieve cybersecurity. Mistral vat de positionering op X samen als 'Built to build', 'Built to defend' en 'Built for sovereignty'.

Voor bouwers is de kern simpel: je kunt het model zelf hosten of via een API gebruiken, met een prijs per token waarbij output duurder is dan input. Maar de ranglijstclaims, de actieve-parameteraantallen en de licentie vragen om precisie. Hieronder staat wat er feitelijk is vrijgegeven, hoe je de cijfers moet lezen en wat je zelf moet testen voordat je dit model in een productiepad zet. Waar nodig verwijzen we naar de [vergelijking tussen open source en open-weights modellen](https://hub.llmnet.nl/open-source-versus-gewogen-open-weights-modellen-vergeleken), want die twee worden in discussies vaak door elkaar gehaald.

## Wat Mistral vrijgeeft

Het gaat om de weights van Mistral Large 4, dus niet alleen om een API-endpoint. Je kunt het model downloaden van Hugging Face, in officiële FP8- en NVFP4-varianten, en zelf draaien met vLLM (dat Mistral aanraadt) of SGLang. Er is ook ondersteuning in Transformers en llama.cpp. Het model is beschikbaar via Mistral Studio, de Mistral API en OpenRouter, en verder via Microsoft Foundry en door NVIDIA gehoste endpoints en NIM. Een volledig technisch rapport is volgens Mistral 'coming soon'.

Het model staat op Hugging Face als [mistralai/Mistral-Large-4-1T-A52B](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B). Die naam vertelt al veel over de architectuur: 1T duidt op het totale aantal parameters en A52B op het aantal actieve parameters. Precies daar zit een nuance die je goed moet lezen, want in marketingteksten wordt het actieve aantal vaak te grof samengevat.

Wie een model voor code wil kiezen, legt de open-weights opties het beste naast gesloten alternatieven, met dezelfde taken. Daarvoor is het nuttig om eerst je criteria scherp te hebben; de gids over [modellen voor code kiezen](https://hub.llmnet.nl/modellen-voor-code) helpt daarbij. Voor agentische workflows, waar dit model expliciet op mikt, geldt hetzelfde, maar dan met extra nadruk op tool-aanroepen en het afronden van meerstaps-taken; zie daarvoor [modellen voor agents](https://hub.llmnet.nl/modellen-voor-agents).

## Grootte en architectuur: 1 biljoen totaal, 49 miljard actief

Volgens de technische model card gaat het om ongeveer 1 biljoen totale parameters, in een Mixture-of-Experts-opzet met 49 miljard actieve parameters per token. Inclusief embeddings en output-lagen komt dat op 52 miljard. Er zijn 128 routed experts, waarvan er 4 actief zijn per token, plus 1 shared expert. Artificial Analysis noemt 1,05 biljoen totaal en 52 miljard actief. Die twee getallen zijn niet tegenstrijdig, maar ze meten net iets anders: het ene is het totale parameteraantal, het andere het actieve aantal met een andere afbakening.

De praktische les: als iemand zegt dat dit een '52B-model' is, klopt dat alleen als je embeddings en output-lagen meetelt. Zeg je '49 miljard actief per token', dan zit je op de definitie uit de model card. Beide zijn bruikbaar, maar je moet ze niet door elkaar gebruiken alsof het om hetzelfde getal gaat. Voor je rekenwerk aan geheugen en doorvoer maakt dat verschil: bij MoE-modellen bepaalt het actieve deel grotendeels de rekenkosten per token, terwijl het totale aantal parameters bepaalt hoeveel gewicht je moet opslaan en hoe je je hardware indeelt.

Verder noemt de model card een contextvenster van 1 miljoen tokens. Het model is native multimodaal voor input: tekst en afbeelding erin, tekst eruit. Het is native vloeiend in meer dan 160 talen, waaronder alle officiële EU-talen. Het is vanaf nul getraind op 3.800 NVIDIA Grace Blackwell GPU's in Mistral's eigen datacenters in Europa, en het wordt op de Mistral API geserveerd als mistral-large-4.

Voor zelf hosten betekent dat concreet: je plant opslag en geheugenbandbreedte voor een model van ongeveer 1 biljoen parameters, terwijl je rekenbudget per token dichter bij een veel kleiner actief deel ligt. De FP8- en NVFP4-varianten zijn er juist om dat haalbaar te maken. Welke variant je kiest, hangt af van je hardware en van je tolerantie voor kwaliteitsverlies; dat is iets wat je zelf moet meten op jouw taken, niet iets wat je uit een ranglijst kunt afleiden.

## Ranglijsten: beste open model buiten China

Artificial Analysis noemt Mistral Large 4 'narrowly' het nummer 1 open-weights model dat buiten China is ontwikkeld. De score is 26 op de Artificial Analysis Intelligence Index v5, één punt hoger dan de 25 van de Preview. Daarmee staat het 1 punt voor op het leidende open-weights model dat in de Verenigde Staten is ontwikkeld, Muse Spark Open (25). Belangrijk: de leidende open-weights modellen uit China, DeepSeek V4.1 Flash 1017 en GLM-5.3, scoren 6 punten hoger op diezelfde index. Dit is dus niet het nummer 1 open-weights model wereldwijd.

Die qualifier is geen formaliteit. Als je een model kiest voor een agentische pijplijn, kan een verschil van 6 punten op een index net het verschil zijn tussen een taak die betrouwbaar wordt afgerond en een taak waarbij je handmatig moet ingrijpen. Tegelijk zegt een indexscore op zichzelf weinig over jouw specifieke workload. Gebruik zulke cijfers als startpunt voor een shortlist, niet als eindantwoord. De pagina over [prijsmodellen per token](https://hub.llmnet.nl/prijsmodellen-per-token-uitgelegd) is daarbij nuttig, want een hogere kwaliteit op een index kan alsnog duurder uitpakken zodra je veel output-tokens genereert.

Mistral zelf claimt een nummer 1-positie op een andere lijst: volgens Mistral staat Mistral Large 4 op Cognitions private FrontierCode 2.0-benchmark op nummer 1 onder open modellen, met een score van 19,7 procent. Die claim is dus specifiek: het gaat om open modellen en om die ene benchmark, en de bron is Cognition zoals gerapporteerd door Mistral. Zulke claims zijn bruikbaar als je ze precies zo leest, en misleidend als je ze samenvat als 'het beste open model'.

## FrontierCode: twee metingen, twee getallen

Hier wordt het vaakst iets fout geciteerd. Er zijn twee verschillende metingen van FrontierCode 2.0 in omloop, en die mag je niet uitwisselen.

Aan de ene kant is er Mistrals cijfer: 19,7 procent op FrontierCode 2.0, gerapporteerd door Mistral, op basis van Cognitions private benchmark die end-to-end codekwaliteit meet en de vraag of een repository-maintainer de wijziging van de agent zou mergen. Aan de andere kant is er Artificial Analysis' eigen meting: 15 procent voor Mistral Large 4, tegenover 29 procent voor DeepSeek V4.1 Flash 1017 en 22 procent voor GLM-5.3. Artificial Analysis noemt dat verschil als reden dat Mistral achter die modellen aanloopt.

Dat zijn twee aparte getallen met twee aparte bronnen en twee aparte meetopzetten. De 19,7 procent is niet hetzelfde als de 15 procent, en je kunt ze niet middelen of als elkaars bevestiging presenteren. Als je in een interne evaluatie naar FrontierCode verwijst, zet er dan bij welke meting je bedoelt en wie hem heeft uitgevoerd. Anders krijg je discussies waarin twee partijen allebei gelijk lijken te hebben terwijl ze verschillende dingen meten. Dit is precies het type verschil dat ook speelt bij het beoordelen van [kwaliteit versus kosten](https://benchmark.llmnet.nl/kwaliteit-vs-kosten): dezelfde modelnaam kan in twee rapporten twee verschillende verhalen vertellen.

Voor je eigen beslissing betekent dit dat je niet op één benchmarkcijfer moet varen, maar op een reeks taken die lijken op wat jouw gebruikers doen. Zeker bij code en agents, waar de omgeving, de tooling en de evaluatiecriteria de uitkomst sterk bepalen, is een eigen meetlat meer waard dan een overgenomen ranglijst.

## Licentie: MEOW in plaats van gewone MIT

De licentie is de Mistral Ecosystem Open-Weight license, afgekort MEOW. Het is een aangepaste MIT-licentie. Je mag het model vrij gebruiken, aanpassen, fine-tunen en commercialiseren, met één voorwaarde: bedrijven die een Model-as-a-Service-aanbod runnen, moeten een aparte commerciële licentie van Mistral verkrijgen voordat ze het model commercieel gebruiken. Het is dus geen gewone MIT en ook geen pure MIT-licentie.

Die ene uitzondering is precies waar veel teams de fout in gaan. Zolang je het model in je eigen product gebruikt, bijvoorbeeld als onderdeel van een applicatie of interne tooling, val je in het algemene 'vrij te gebruiken'-deel. Zodra je het model als dienst aan anderen aanbiedt, verandert dat. Lees de licentie dus niet als 'MIT met een andere naam', maar als een licentie met een specifieke commerciële uitzondering voor model-as-a-service. Meer achtergrond over wat wel en niet mag bij open modellen staat in de gids over [licenties van open modellen en wat je commercieel mag doen](https://hub.llmnet.nl/licenties-van-open-modellen-wat-mag-je-commercieel-doen).

Praktisch betekent dit dat je vóór de lancering van een gehoste inferentiedienst moet nagaan of jouw aanbod onder die uitzondering valt. Doe dat voordat je je prijsmodel publiceert, want een licentieprobleem achteraf is duurder dan een kort gesprek vooraf. Het is ook verstandig om de licentietekst zelf te lezen en niet alleen de samenvattingen die online circuleren, omdat de afbakening van 'Model-as-a-Service' bepalend is voor jouw situatie.

## Prijs via de API

De prijzen via de API zijn: $0,70 per 1 miljoen input-tokens, $0,07 per 1 miljoen cached input-tokens en $2,10 per 1 miljoen output-tokens. Mistral noemt die cijfers in de blog, en Artificial Analysis rapporteert dezelfde bedragen. De output-prijs is drie keer de input-prijs. Het cached tarief is een tiende van het gewone inputtarief.

Voor agentische workloads is de verhouding tussen input en output belangrijk. Agents sturen vaak veel context mee en genereren betrekkelijk weinig tokens per stap, maar ze doen wel veel stappen. In zulke gevallen tikt de inputkant aan en helpt caching. Het loont daarom om je promptstructuur zo te ontwerpen dat het vaste deel van de context cachebaar is, zodat je een groter deel van je verkeer tegen het cached tarief afrekent. De precieze besparing hangt af van je cachelayout en je verkeerspatronen; dat is iets wat je moet meten, niet aannemen.

Bij zelf hosten verdwijnen de tokenprijzen, maar komen kosten voor hardware, stroom, koeling en beheer ervoor in de plaats. Reken dus niet alleen met de API-prijzen, maar vergelijk ze met je eigen kosten per token bij de FP8- of NVFP4-variant op jouw hardware. Voor een eerste schatting kun je de API-prijzen als referentie nemen; voor de definitieve keuze wil je je eigen belasting kennen.

## Redeneerniveaus en zelf hosten

Het model kent drie redeneerniveaus: low, medium en high, waarbij high de standaard is. Het niveau low vervangt de vroegere 'None'-modus. Volgens de Hugging Face-blog kan redeneren niet volledig worden uitgeschakeld. Dat is relevant als je latency belangrijk vindt of als je kosten per verzoek wilt drukken: je kunt het redeneerwerk dus niet helemaal weglaten, maar je kunt het wel verlagen.

Als je zelf host, heb je de keuze uit vLLM, dat Mistral aanraadt, of SGLang, met ondersteuning in Transformers en llama.cpp. De officiële varianten zijn FP8 en NVFP4. Welke van de twee je neemt, hangt af van je hardware en van de vraag hoeveel kwaliteitsverlies je accepteert. Test dat op je eigen taken, met je eigen prompts, en niet op een algemene set die weinig met jouw product te maken heeft.

Voor agentische toepassingen is het verstandig om het redeneerniveau per taaktype te kiezen. Een classificatiestap heeft vaak genoeg aan low, terwijl een planningsstap baat kan hebben bij high. Omdat het niveau per aanroep instelbaar is, kun je in je orchestratie verschillende niveaus combineren. Meet daarbij zowel kwaliteit als latency, want een hoger niveau kost doorgaans meer tokens en dus meer tijd en geld.

## Defensieve cybersecurity en guardrails

Mistral positioneert dit model defensief op het gebied van cybersecurity. Volgens Mistral zijn er ingebouwde guardrails die bedoeld zijn om defensieve taken te onderscheiden van kwaadwillende of offensieve cyberactiviteiten. Mistral stelt dat het legitieme defensieve taken aankan, zoals het reproduceren en patchen van kwetsbaarheden, zonder onnodige weigeringen. Mistral heeft sinds de preview cybergerelateerd live verkeer gemonitord en zegt daarin potentieel voor echte aanvallen te zien; daarom past het de guardrails aan en blijft het die bijwerken.

Verder is er een gespecialiseerde cybervariant voor penetratietests en red-teaming, maar die is alleen in preview voor geselecteerde enterprise-designpartners, zoals Orange Cyberdefense, onder contractuele waarborgen en beperkt tot systemen die men bezit of waarvoor men autorisatie heeft. Dat is een afgebakende, gecontroleerde route, niet iets wat algemeen beschikbaar is.

Dit alles zijn claims van de leverancier; label ze als zodanig in je eigen documentatie. Guardrails zijn bovendien geen vervanging voor je eigen controles. Als je dit model in een beveiligingsworkflow zet, blijft menselijke beoordeling nodig, zeker bij het reproduceren van kwetsbaarheden en bij het goedkeuren van patches. Voor het kiezen van modellen in dit domein is de gids over [modellen voor cyberbeveiliging en code-audits](https://hub.llmnet.nl/ai-modellen-voor-cyberbeveiliging-en-code-audits-kiezen) een bruikbaar startpunt, en voor de bredere context rond dit onderwerp kun je terecht bij de achtergrond over [AI en cybersecurity](https://nieuws.llmnet.nl/ai-en-cybersecurity).

Mistral noemt daarnaast een soevereiniteitsargument: organisaties kunnen het model inspecteren, aanpassen en op hun eigen infrastructuur draaien zonder afhankelijk te zijn van Mistral's API, en het is vanaf nul in Europa getraind. Dat is een overweging die losstaat van de benchmarkcijfers, maar die in sommige organisaties zwaar weegt bij de keuze tussen een gehost endpoint en een eigen deployment.

## Wat dit betekent voor bouwers

Als je een agentische code-assistent bouwt, krijg je hier een model in de klasse van ongeveer 1 biljoen parameters met openbare weights en een licentie die commercieel gebruik toestaat behalve voor model-as-a-service. Dat geeft je de mogelijkheid om te fine-tunen op je eigen codebase en om het model in je eigen omgeving te draaien als dat nodig is. Tegelijk vraagt een model van ongeveer 1 biljoen totale parameters om serieuze hardware, ook al is het actieve deel per token 49 miljard (52 miljard inclusief embeddings en output-lagen).

Begin daarom met de vraag of je zelf wilt hosten of via de API wilt werken. Voor een prototype is de API meestal de snelste start, met $0,70 per 1 miljoen input-tokens, $0,07 per 1 miljoen cached input-tokens en $2,10 per 1 miljoen output-tokens. Voor een situatie waarin je data het pand niet mag verlaten, of waarin je volledige controle over de weights wilt, is zelf hosten de route, met de kanttekening dat je dan ook verantwoordelijk bent voor updates en voor de evaluatie van de FP8- of NVFP4-variant op jouw taken.

Vergeet de ranglijsten niet te relativeren. Dit is volgens Artificial Analysis het beste open-weights model dat buiten China is ontwikkeld, met een score van 26 op de Intelligence Index v5, en Chinese open modellen scoren 6 punten hoger. Volgens Mistral staat het op nummer 1 onder open modellen op Cognitions FrontierCode 2.0 met 19,7 procent, terwijl Artificial Analysis' eigen meting 15 procent is tegenover 29 procent voor DeepSeek V4.1 Flash 1017 en 22 procent voor GLM-5.3. Dat zijn twee verschillende metingen die je apart moet behandelen.

De belangrijkste winst voor jou zit waarschijnlijk niet in de headline van een ranglijst, maar in de combinatie van open weights, een miljoen tokens context, meertaligheid in meer dan 160 talen en de mogelijkheid om redeneerniveau en hosting zelf te kiezen. Test het op je eigen taken, kijk naar latency en kosten per afgeronde taak, en lees de MEOW-licentie voordat je een dienst lanceert.

## Checks voor je eigen opzet

- Controleer of jouw gebruik onder de MEOW-uitzondering voor Model-as-a-Service valt, en vraag zo nodig een aparte commerciële licentie aan bij Mistral.

- Kies je hostingpad: Mistral Studio, Mistral API, OpenRouter, Microsoft Foundry, NVIDIA-endpoints of zelf hosten met vLLM of SGLang.

- Bepaal je gewichtsvariant voor zelf hosten: officiële FP8 of NVFP4, en meet het kwaliteitsverschil op jouw taken.

- Stel het redeneerniveau per taaktype in (low, medium, high; high is de standaard) en houd er rekening mee dat redeneren niet volledig uit te schakelen is.

- Ontwerp je context zo dat het vaste deel cachebaar is, zodat een groter deel van je input tegen het cached tarief van $0,07 per 1 miljoen tokens loopt.

- Reken met 49 miljard actieve parameters per token en 52 miljard inclusief embeddings en output-lagen; gebruik die getallen niet als synoniemen.

- Documenteer bij elke ranglijstclaim welke bron en welke meting je citeert, en houd de 19,7 procent van Cognition zoals gerapporteerd door Mistral gescheiden van de 15 procent van Artificial Analysis.

- Test defensieve cybergebruiksscenario's met menselijke beoordeling en behandel guardrailclaims als leveranciersclaims.

- Beoordeel of je het technisch rapport nodig hebt; Mistral zegt dat dit 'coming soon' is.

Wie deze punten langsloopt voordat er iets in productie gaat, voorkomt de meest voorkomende fouten bij dit soort releases: een licentie verkeerd lezen, twee benchmarkcijfers door elkaar halen en een actief-parameteraantal zonder de juiste afbakening overnemen. De rest is gewoon meten op je eigen werk.

Gecontroleerd op 2026-10-30.

Dit bericht is samengesteld met AI-ondersteuning en redactioneel gecontroleerd; bronnen staan hieronder.

## Bronnen

- C1, C4, C5, C6, C8, C11, C12 — Mistral's aankondiging van de open-weights release, inclusief de releasedatum, de extra drieweekse reinforcement learning, de benchmarkclaims en de prijzen: https://mistral.ai/news/mistral-large-4-oss/

- C2, C3, C9, C10 — Hugging Face-modelpagina van het model, met de architectuur, contextvenster, multimodaliteit, talen en deploymentvarianten: https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B

- C1, C2, C9, C10 — Hugging Face-blog over de release, met onder meer de publicatiedatum (29 oktober 2026), de actieve-parameteruitleg en de opmerking dat redeneren niet volledig uit te schakelen is: https://huggingface.co/blog/mistral-large4

- C1, C3, C5, C12 — Mistral's X-post met de positionering 'Built to build', 'Built to defend', 'Built for sovereignty' en de claim over FrontierCode onder open modellen: https://x.com/MistralAI/status/2115811242556137820

- C4, C6, C8 — Artificial Analysis' X-post met de Intelligence Index v5-score, de FrontierCode 2.0-meting en de prijscijfers: https://x.com/ArtificialAnlys/status/2115820547103952925