Mistral memperbarui model kecerdasan buatannya Large 4 dan membuka bobot model tersebut untuk diunduh serta dijalankan secara mandiri. Rilis yang diumumkan pada 29 Oktober 2026 itu dikenal dengan nama Le Chonk. Perusahaan menyebut pembaruan ini membawa peningkatan pada pemrograman, penalaran, dan tugas keamanan siber defensif setelah model menerima tambahan pelatihan reinforcement learning selama sekitar tiga minggu.<\/p>\n
Langkah ini menarik karena model tidak hanya ditawarkan sebagai layanan API. Organisasi dan pengembang juga dapat memeriksa, menyesuaikan, serta menjalankannya di infrastruktur sendiri. Pilihan tersebut memberi kendali lebih besar atas lokasi pemrosesan data, tetapi tetap menuntut kemampuan teknis, komputasi, dan tata kelola yang memadai.<\/p>\n
Large 4 sebelumnya diperkenalkan dalam pratinjau publik pada awal Oktober. Dalam pengumuman terbarunya, Mistral mengatakan umpan balik dari pengembang dan pelanggan awal digunakan untuk menyempurnakan model. Perusahaan melaporkan peningkatan pada kualitas kode, kemampuan menyelesaikan tugas bertahap, dan efisiensi penggunaan token. Artinya, sistem dapat menyelesaikan pekerjaan tertentu dengan lebih sedikit token keluaran dibandingkan versi pratinjau, menurut pengukuran yang dipublikasikan Mistral.<\/p>\n
Mistral menggambarkan Large 4 sebagai model multimodal berukuran sekitar satu triliun parameter. Namun, angka parameter bukan satu-satunya ukuran kegunaan. Hasil nyata tetap bergantung pada jenis pekerjaan, kualitas instruksi, konteks yang diberikan, perangkat keras, dan cara model diintegrasikan ke aplikasi.<\/p>\n
Dalam pengujian yang disebutkan perusahaan, Large 4 mencatat skor 19,7 persen pada benchmark FrontierCode 2.0 milik Cognition. Pada Artificial Analysis Coding Agent Index, Mistral melaporkan skor 48 persen dengan rata-rata penggunaan token 47 persen lebih rendah per tugas dibandingkan pembanding yang digunakan dalam pengujian tersebut. Hasil Terminal-Bench 4.0 juga meningkat 13 poin persentase menjadi 41 persen dibandingkan pratinjau publik.<\/p>\n
Benchmark tersebut tidak otomatis berarti model akan selalu menghasilkan perangkat lunak yang benar. Pengembang tetap perlu menjalankan pengujian unit, meninjau perubahan kode, memeriksa dependensi, dan menguji aplikasi dalam lingkungan terisolasi. Keunggulan pada satu benchmark tidak menggantikan proses peninjauan manusia, terutama ketika kode menyentuh pembayaran, identitas, atau data pelanggan.<\/p>\n
Mistral juga menonjolkan penggunaan Large 4 untuk menemukan, mereproduksi, dan membantu memperbaiki kerentanan perangkat lunak. Perusahaan melaporkan skor 51 persen pada Artificial Analysis Cyber Index. Model diklaim mampu membedakan permintaan keamanan defensif dan permintaan berbahaya, dengan tingkat penolakan rata-rata 96,6 persen pada kumpulan prompt siber berbahaya yang digunakan Mistral.<\/p>\n
Angka itu merupakan hasil pengujian yang dilaporkan pembuat model, bukan jaminan bahwa semua keluaran akan aman. Mistral sendiri menyatakan pemantauan terhadap penggunaan langsung tetap diperlukan karena model yang kuat untuk menemukan celah juga berpotensi disalahgunakan. Penggunaan yang tepat harus dibatasi pada sistem milik sendiri atau sistem yang secara eksplisit memberi izin pengujian.<\/p>\n
Large 4 kini menyediakan mode penalaran Low, Medium, dan High. Mode Low ditujukan untuk pekerjaan sederhana, Medium untuk penggunaan sehari-hari, sedangkan High menjadi pilihan untuk persoalan yang membutuhkan ketelitian lebih besar. Pengaturan ini memberi pengembang cara menyeimbangkan kualitas jawaban, latensi, dan biaya komputasi.<\/p>\n
Mistral mengumumkan harga API sebesar US$0,70 per satu juta token input dan US$2,10 per satu juta token output pada saat rilis bobot tersebut. Biaya aktual aplikasi tetap dipengaruhi panjang konteks, jumlah pemanggilan, cache, dan infrastruktur yang dipakai. Untuk penggunaan lokal, biaya API dapat dihindari, tetapi biaya server, listrik, pemeliharaan, dan tenaga ahli tetap perlu dihitung.<\/p>\n
Bobot model tersedia melalui kanal Mistral dan repositori Hugging Face. Lisensi yang diumumkan berbasis lisensi open-weight Mistral yang dimodifikasi dari MIT. Perusahaan menyebut model dapat digunakan, dimodifikasi, disesuaikan, dan dikomersialkan, dengan ketentuan khusus bagi bisnis yang menawarkan layanan Model-as-a-Service. Organisasi sebaiknya membaca teks lisensi sebelum membangun layanan komersial.<\/p>\n
Bagi perusahaan, nilai utama Large 4 mungkin terletak pada kemampuan menjalankan model dekat dengan data internal dan menyesuaikannya terhadap proses kerja. Namun, keputusan adopsi perlu mempertimbangkan evaluasi keamanan, perlindungan data, kontrol akses, pencatatan aktivitas, serta rencana pembaruan model. Model terbuka memberi fleksibilitas lebih besar, tetapi tanggung jawab operasional juga lebih besar.<\/p>\n
Perkembangan berikutnya bukan hanya soal skor benchmark. Pengguna perlu melihat stabilitas model pada proyek nyata, kebutuhan memori dan GPU, kualitas dokumentasi, dukungan ekosistem, serta seberapa konsisten model menolak instruksi berbahaya. Perbandingan yang adil juga harus memakai tugas dan konfigurasi pengujian yang sama.<\/p>\n
Rilis Large 4 memperlihatkan persaingan model open-weight semakin menekankan kemampuan agentic dan keamanan, bukan sekadar menjawab pertanyaan. Bagi pengembang Indonesia, kesempatan untuk menjalankan model sendiri dapat membuka ruang eksperimen, selama penerapan dilakukan dengan pengawasan dan batas penggunaan yang jelas.<\/p>\n