Mistral rilis Le Chonk, model bobot terbuka berparameter sekitar 1 triliun

Mistral merilis Mistral Large 4, yang dijuluki “Le Chonk”, sebagai model bobot terbuka (open-weight, yakni bobot model dapat diunduh dan dijalankan sendiri). Menurut blog Hugging Face bertanggal 29 Oktober 2026, model ini multimodal dan multibahasa, dengan arsitektur Mixture-of-Experts (MoE). Ukurannya sekitar 1 triliun parameter total dengan 49 miliar parameter aktif, dan jendela konteks 1 juta token.

MoE adalah rancangan yang hanya mengaktifkan sebagian kecil bagian model untuk setiap token, sehingga komputasi per token lebih kecil daripada ukuran totalnya. Model menerima teks dan gambar sebagai masukan dan menghasilkan teks.

Blog itu menyebut Le Chonk “sangat kuat” untuk keamanan siber, agen pemrograman, dan kemampuan multimodal. Seluruh angka kinerja di bawah ini adalah hasil yang dilaporkan Mistral dan dimuat di blog tersebut.

Lisensi dan cara mengakses

Model didistribusikan di bawah Mistral Ecosystem Open-Weight License. Blog menggambarkannya sebagai turunan lisensi MIT yang menetapkan batasan bagi penawaran model-as-a-service, yaitu layanan yang menjual akses ke model. Rincian syarat pemakaian komersial tidak diuraikan di blog itu.

Model tersedia dalam dua varian resmi, FP8 dan NVFP4. Unsloth dan tim llama.cpp juga membuat versi GGUF, format terkuantisasi untuk menjalankan model dengan memori lebih kecil. Mistral Large 4 didukung sejak hari pertama di Transformers, vLLM, dan llama.cpp.

Hugging Face menawarkan penerapan jarak jauh lewat Inference Endpoints, serta inferensi serverless lewat Inference Providers. Contoh kode di blog menjalankan model dengan Transformers memakai perintah torchrun dan 8 proses.

Tingkat penalaran dapat diatur ke low, medium, atau high. Bawaannya high, dan penalaran tidak bisa dimatikan: menyetel reasoning_effort ke none tetap memakai high.

Perangkat keras

Blog menyebut checkpoint NVFP4, yang berjejak memori lebih kecil, memerlukan GPU NVIDIA Blackwell di vLLM. Contoh perintah vLLM memakai paralelisme tensor 8 dan panjang konteks maksimum 131.072 token. Model juga dilengkapi drafter DSpark untuk mempercepat inferensi di vLLM. Kebutuhan memori total tidak dirinci pada bagian blog yang tersedia.

Arsitektur

Mistral Large 4 memadukan kumpulan pakar (experts) yang besar dengan sparse attention dan encoder visi Pixtral. Dekoder teksnya memiliki 72 lapisan, dimensi tersembunyi 6.144, dan 64 kepala perhatian. Perhatiannya menggabungkan Multi-head Latent Attention (MLA), yang menyimpan representasi KV terkompresi, dengan indeks DeepSeek Sparse Attention (DSA) yang memilih hingga 2.048 posisi kunci per kueri.

Polanya 3:1 antara RoPE dan NoPE, dua teknik pengodean posisi token: tiga lapisan memakai RoPE dan setiap lapisan keempat memakai NoPE. Model juga berbagi status KV antarlapisan.

Lapisan pertama memakai jaringan umpan-maju padat, sedangkan 71 lapisan lainnya memakai blok MoE. Router softmax memilih empat dari 128 pakar untuk tiap token, ditambah satu pakar bersama yang selalu aktif, sehingga ada lima pakar aktif per token. Encoder Pixtral berukuran 1,6 miliar parameter dengan 30 lapisan.

Klaim kinerja

Per 29 Oktober 2026, menurut blog tersebut, model ini menempati peringkat kelima di antara model bobot terbuka pada indeks Artificial Analysis Intelligence.

Untuk pemrograman, Mistral melaporkan skor 61,7% pada DeepSWE v1.1, 59,4% pada SWE-Atlas-QnA, dan 28,3% pada Terminal-Bench 4. Skor gabungan Coding Agent Index sebesar 49,8% disebut berada di atas DeepSeek V4 Pro 0813 dan Qwen3.8 Max. Model juga mencatat 59,9% pada AutomationBench dan 1.393 Elo pada AA-Briefcase, yang menguji alur kerja bisnis.

Di keamanan siber, model mencetak 82% pada tes Artificial Analysis Cyber Index yang meminta model mereproduksi kerentanan nyata di perangkat lunak sumber terbuka lalu menambalnya. Mistral melaporkan beberapa model tertutup mutakhir mendapat skor mendekati nol pada tes yang sama karena menolak mengerjakannya. Pada Cybench, model menyelesaikan 93% dari 40 tantangan kompetisi keamanan, dan meraih 93,3% ketahanan serangan pada benchmark B3 Lakera, yang mengukur ketahanan terhadap prompt injection.

Pada uji internal Mistral, model juga berguna untuk analisis malware, penentuan prioritas kerentanan, dan penulisan aturan deteksi, meski tidak dilatih khusus untuk itu.

Posisi keamanan dan penolakan

Mistral memosisikan model terutama untuk keamanan defensif. Blog menyebut riset kerentanan dan penanganan insiden kerap tampak seperti serangan pada masukan model, sehingga filter model tertutup bisa memblokirnya. Dengan bobot terbuka, kebijakan pemakaian dan penerapan berada di tangan pengguna.

Meski begitu, model tetap menolak permintaan berbahaya: pada perintah siber dari JailbreakBench, StrongREJECT, dan AgentHarm, rata-rata tingkat penolakannya disebut lebih tinggi daripada model bobot terbuka lain. Bobot terbuka juga memungkinkan peneliti mengukur perilaku penolakan secara langsung.

Dukungan bahasa dan relevansi bagi Indonesia

Blog menyebut model ini multibahasa, tetapi tidak merinci daftar bahasa. Bahasa Indonesia maupun bahasa Asia lain tidak disebut secara eksplisit, sehingga kualitasnya perlu diuji sendiri oleh pengembang.

Bagi pengembang Indonesia, bobot terbuka berarti model bisa dijalankan di infrastruktur sendiri, relevan bagi organisasi dengan aturan ketat soal data. Varian NVFP4 mensyaratkan GPU Blackwell, yang mungkin tidak mudah didapat di semua tempat.

Apa berikutnya

Hugging Face menyebut pengembang bisa membangun sistem siber sendiri di atas basis kode, log kerusakan, dan sampel malware. Lewat TRL, model yang lebih kecil dapat disetel dari jejak Mistral Large 4 dalam menambal kode. Tugas reproduksi-lalu-tambal memakai imbalan yang dapat diverifikasi, sehingga cocok untuk lingkungan reinforcement learning.