Mistral Lepas Bobot Large 4 Berparameter 1 Triliun. Penjual Layanan Model Tetap Wajib Teken Lisensi Komersial

Mistral AI, perusahaan kecerdasan buatan asal Prancis, merilis bobot terbuka model terbesarnya, Mistral Large 4, pada Kamis (29/10/2026). Model berjuluk "Le Chonk" itu kini bisa diunduh dari Hugging Face dan dijalankan di server sendiri, tiga pekan setelah versi pratinjaunya diperkenalkan, menurut Reuters. Mistral memasarkannya sebagai "best open-weight model for coding" sekaligus alat pertahanan siber bagi perusahaan dan pemerintah yang tidak mau bergantung pada penyedia model tertutup.

Ukurannya memang besar. Kartu model di Hugging Face menyebut Large 4 sebagai model Mixture-of-Experts dengan sekitar 1 triliun parameter total, tetapi hanya 49 miliar parameter yang aktif untuk setiap token, atau 52 miliar bila lapisan embedding dan keluaran ikut dihitung. Model ini punya 128 expert yang dipilih bergantian, empat di antaranya aktif per token, ditambah satu expert bersama. Jendela konteksnya 1 juta token, masukannya bisa teks dan gambar, dan Mistral mengklaim model ini fasih dalam lebih dari 160 bahasa. Bahasa Indonesia tercantum dalam daftar bahasa di kartu model tersebut.

Mistral menyebut model ini dilatih dari nol di atas 3.800 GPU NVIDIA Grace Blackwell di pusat data milik Mistral sendiri di Eropa. Klaim kedaulatan itu yang dijual paling keras. Gambar sampul pengumumannya bahkan hanya berisi satu slogan, "#1 in Sovereign AI".

Tiga Pekan Tambahan untuk Belajar

Versi yang dirilis Kamis bukan salinan pratinjau. Dalam pengumumannya, Mistral menulis bahwa bobot baru itu mendapat tambahan tiga pekan reinforcement learning sejak pratinjau dibuka. Reuters, mengutip Mistral, menyebut perbaikan itu lahir dari pengujian bersama pemerintah dan pengguna korporat.

Hasilnya, menurut angka Mistral sendiri, terlihat pada tugas pemrograman. Skor Terminal-Bench 4.0 naik 13 poin menjadi 41%, sementara jumlah token keluaran turun 30% dibanding pratinjau. Pada Coding Agent Index milik Artificial Analysis, Large 4 mencetak 48%. Mistral menyebut angka itu "effectively tied" dengan GLM-5.3, model terbuka asal Tiongkok yang menurut TechCrunch sebelumnya dianggap salah satu yang terbaik, tetapi dengan 47% token lebih sedikit per tugas. Pada FrontierCode 2.0 buatan Cognition, Large 4 mencatat 19,7% dan menempati urutan teratas menurut Mistral.

Mistral juga mengutip uji preferensi buta Surge Code. Di sana, katanya, penilai lebih memilih jawaban Large 4 dibanding GLM-5.3, Kimi K3, dan DeepSeek V4.1 Flash, dan hanya kalah dari Claude Opus 5.5 buatan Anthropic. Hampir semua angka ini berasal dari pengumuman Mistral, dan laporan teknis lengkapnya baru dijanjikan "coming soon". Blog Hugging Face yang terbit hari yang sama memberi gambaran lebih sederhana. Di sana Large 4 tercatat sebagai model berbobot terbuka terbaik kelima pada Intelligence Index Artificial Analysis per 29 Oktober, dan skor Terminal-Bench 4 yang dicantumkan hanya 28,3%. Selisih 13 poin dengan angka Mistral cocok dengan kenaikan yang diklaim sejak pratinjau, sehingga tabel Hugging Face tampaknya masih memakai hasil versi lama.

Senjata Bermata Dua

Pesan utama peluncuran ini adalah keamanan siber. Mistral mengklaim Large 4 mencetak 51% pada Cyber Index milik Artificial Analysis dan unggul di antara model terbuka untuk pekerjaan seperti mereproduksi kerentanan dan menyusun tambalan. Untuk sisi sebaliknya, Mistral menyebut model ini menolak rata-rata 96,6% permintaan siber berbahaya pada tiga uji, yakni JailbreakBench, StrongREJECT, dan AgentHarm, angka yang diklaimnya tertinggi di antara model terbuka.

Paragraf paling jujur justru ada di pengumuman yang sama. "We see a potential for uplift to conduct real attacks. We are modifying our guardrails accordingly," tulis Mistral. Kemampuan yang membantu tim pertahanan menemukan celah juga bisa membantu penyerang. Untuk varian yang dikhususkan bagi uji penetrasi dan red team, Mistral memilih jalur tertutup: varian itu baru tersedia dalam pratinjau bagi mitra terpilih seperti Orange Cyberdefense, dengan pengaman kontraktual.

Masalahnya, pagar pengaman pada model berbobot terbuka bisa dilepas oleh siapa pun yang mengunduhnya. Pierre Stock, Vice President of Science Mistral, tidak menampik hal itu. "I'm not comfortable living in a world in which open weights do not exist," katanya kepada Reuters. Begitu model dilepas, tambahnya, "it's impossible to contain access". Akses yang tidak bisa diputus itu, menurut Stock kepada TechCrunch, adalah inti tawarannya: perusahaan atau pemerintah mendapat kecerdasan setara model terdepan untuk bertahan dari serangan siber, dan akses itu "can't be cut off by definition".

Sejumlah mitra memberi testimoni dalam pengumuman Mistral, dari Booz Allen, Cisco, Cloudflare, Zscaler, hingga bank seperti ABN AMRO dan La Banque Postale. Brad Medairy dari Booz Allen, misalnya, menyebut Large 4 menyamai tingkat deteksi kerentanan model siber terdepan lain "with a compelling cost curve". Testimoni semacam ini disusun untuk materi peluncuran, bukan hasil audit.

Bebas Dipakai, kecuali Dijual Ulang sebagai Layanan

Large 4 dirilis dengan Mistral Ecosystem Open-Weight License, yang menurut teks lisensinya merupakan modifikasi lisensi MIT. Siapa pun boleh memakai, mengubah, melatih ulang, dan menjual produk turunannya. Pengecualiannya ada di pasal kedua. Perusahaan yang menjalankan bisnis Model as a Service wajib meneken lisensi komersial terpisah dengan Mistral sebelum memakai model itu untuk tujuan komersial.

Definisinya spesifik. Model as a Service berarti memberi pihak ketiga akses ke model untuk inferensi atau pelatihan lanjutan, misalnya lewat API, dengan kendali berarti atas masukan, parameter, atau data latih. Produk akhir yang hanya menanamkan kemampuan model di fitur tertentu tidak termasuk, begitu pula pemakaian internal. Bagi penyedia cloud atau startup di Indonesia yang ingin menjual akses API Large 4 dengan merek sendiri, pasal ini berarti negosiasi dengan Mistral lebih dulu. Untuk bank atau perusahaan yang menjalankannya di server internal, lisensinya praktis seperti MIT.

Lewat API Mistral sendiri, harganya US$0,70 per 1 juta token masukan, US$0,07 untuk masukan yang tersimpan di cache, dan US$2,10 per 1 juta token keluaran. Model ini juga tersedia di OpenRouter, NVIDIA NIM, dan Microsoft Foundry. Tina Schuchman dari Microsoft menyebut Foundry sebagai penyedia cloud pertama yang menawarkannya.

Mahal untuk Dijalankan Sendiri

Bobot terbuka tidak berarti murah untuk dijalankan. Resep vLLM untuk Large 4 menyebut versi NVFP4 butuh memori sekitar 610 GB dan versi FP8 sekitar 1,06 TB, dengan target GPU kelas Blackwell seperti B200 dan GB300. Hugging Face, dalam blog peluncurannya, memberi contoh penerapan di Inference Endpoints dengan delapan GPU H200. Versi kuantisasi 2-bit buatan tim llama.cpp memang bisa berjalan di satu komputer Apple Silicon Ultra bermemori 512 GB, tetapi Hugging Face mencatat kecepatan menulisnya hanya sekitar 15 token per detik. Angka-angka itu menempatkan Large 4 di luar jangkauan satu server biasa. Yang realistis menjalankannya sendiri adalah pemerintah, bank, operator telekomunikasi, dan penyedia cloud.

Para pesaing yang disebut Mistral dalam tabelnya, yaitu GLM-5.3, Kimi K3, dan DeepSeek V4.1 Flash, semuanya model terbuka. Reuters menulis bahwa Mistral memosisikan Large 4 sebagai model terbuka paling mampu untuk keamanan siber di bidang yang dikuasai model-model Tiongkok. Pembuktiannya menunggu laporan teknis yang belum terbit dan pengujian pihak ketiga yang tidak dibayar Mistral.

Catatan / Referensi

• Mistral AI, "Mistral Large 4 (Le Chonk) is now open weight", 29 Okt 2026: tambahan tiga pekan RL, skor Terminal-Bench 4.0, Coding Agent Index, FrontierCode 2.0, Surge Code, Cyber Index, tingkat penolakan 96,6%, pengakuan "potential for uplift", varian siber untuk Orange Cyberdefense, testimoni mitra, harga API, ketersediaan platform, laporan teknis "coming soon". https://mistral.ai/news/mistral-large-4-oss/
• Hugging Face, kartu model "Mistral Large 4 - Le Chonk" (mistralai/Mistral-Large-4-1T-A52B), diakses 31 Okt 2026: 1 triliun parameter total, 49/52 miliar aktif, 128 expert, konteks 1 juta token, 3.800 GPU Grace Blackwell, 160+ bahasa termasuk kode bahasa "id". https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B
• Hugging Face, teks Mistral Ecosystem Open-Weight License, diakses 31 Okt 2026: modifikasi MIT, pasal Model as a Service, pengecualian pemakaian internal dan produk akhir. https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B/blob/main/LICENSE
• Reuters via Investing.com, Leo Marchandon, "Mistral AI publicly releases Large 4, targets cybersecurity users", 29 Okt 2026: pratinjau tiga pekan sebelumnya, pengujian dengan pemerintah dan korporat, kutipan Pierre Stock. https://www.investing.com/news/economy-news/mistral-ai-publicly-releases-large-4-targets-cybersecurity-users-4984193
• TechCrunch, Lucas Ropek, "Mistral releases weights for its trillion-parameter AI model, targeting cybersecurity", 29 Okt 2026 (10.00 PDT): kutipan Stock soal akses yang tidak bisa diputus, perbandingan dengan GLM-5.3. https://techcrunch.com/2026/10/29/mistral-releases-weights-for-its-trillion-parameter-ai-model-targeting-cybersecurity/
• The Verge, Emma Roth, "Mistral AI has officially released its Large 4 (Le Chonk) model", 29 Okt 2026 (14.36 UTC): konfirmasi rilis setelah pratinjau awal bulan. https://www.theverge.com/ai-artificial-intelligence/1022184/mistral-ai-has-officially-released-its-large-4-le-chonk-model
• Hugging Face Blog, Aritra Roy Gosthipaty, "Welcome Le Chonk: Mistral Large 4 on Hugging Face", 29 Okt 2026: peringkat kelima model terbuka di Intelligence Index Artificial Analysis, Terminal-Bench 4 28,3%, resep Inference Endpoints 8 GPU H200, kuantisasi 2-bit di Apple Silicon Ultra 512 GB sekitar 15 token per detik. https://huggingface.co/blog/mistral-large4
• vLLM Recipes, "mistralai/Mistral-Large-4-1T-A52B", diakses 31 Okt 2026: kebutuhan memori NVFP4 sekitar 610 GB (GB300, B200) dan FP8 sekitar 1,06 TB. https://recipes.vllm.ai/mistralai/Mistral-Large-4-1T-A52B
• Hitungan GEREGET: 49 miliar parameter aktif dari 1 triliun berarti sekitar 4,9% parameter bekerja per token.
• Catatan GEREGET: semua skor tolok ukur dan tingkat penolakan adalah klaim Mistral; laporan teknis belum terbit. Blog Hugging Face memuat angka berbeda (Terminal-Bench 4 28,3%, Coding Agent Index 49,8%, B3 93,3%) yang tampaknya berasal dari versi pratinjau; artikel ini memakai angka Mistral untuk versi final dan menyebut sumbernya. Isu GLM-5.3 di Workers AI Cloudflare pernah GEREGET bahas pada 29 Okt 2026.