Mistral Large 4が重み公開、3週間でTerminal-Bench41%・料金半額

結論：プレビューから3週間で「別物」になったMistral Large 4

2026年10月29日、フランスのMistral AIがMistral Large 4（通称「Le Chonk」）の重みをHugging Faceで公開した。10月6日のパブリックプレビューから3週間、追加の強化学習（RL）を回した結果、コーディング系ベンチマークが「オープンウェイト最強」の水準まで跳ね上がった、というのが発表の骨子だ。

当サイトでは10月12日にプレビュー版を「重み未公開・汎用性能は中位」と評価した。その前提が今回ひっくり返ったので、何が変わって何が変わっていないかを数字で追い直す。

3週間で何が動いたか：スコアの推移

Mistral公式ブログが自社計測として公表した数値は次の通り。プレビュー時と比較して並べる。

Terminal-Bench 4.0：28.3% → 41%（+13ポイント、出力トークンは30%減）
Artificial Analysis Coding Agent Index：48%（首位のGLM-5.3と実質同点、タスクあたりのトークン消費は47%少ない）
Cognition FrontierCode 2.0（非公開ベンチ、メンテナがPRをマージするかを評価）：19.7%で首位
BrowseComp（ウェブ閲覧）：84.5%（SFTチェックポイントの75%からRLで改善、GLM-5.3やDeepSeek V4.1 Flashを上回る）
FinWorkBench（Finance/Finch）：73.3%（オープンモデル内でKimi K3に次ぐ2位）
Artificial Analysis Cyber Index：51%（防御目的の脆弱性発見・再現・パッチ適用。正当な防御タスクを不必要に拒否しない点が売り）
B3 Agent Security Benchmark（プロンプト漏洩・悪性コード注入への耐性）：93.3% → 97.1%

前回記事で唯一強かった分野はサイバーセキュリティだった。今回はそこに加えてコーディングエージェントが主戦場になった。Mistralの科学担当VP、Pierre Stock氏の言葉は「プレビューから3週間のRLで、まだ飽和の兆しはない」だ。

独立系評価とのズレは残っている

ここは注意して読むべき点。Mistralの自社発表と、独立系トラッカーArtificial Analysisの測定値は同じ方向を向いていない。

Techstrong.aiとFortuneの報道では、Artificial AnalysisのIntelligence Index v5（High推論モード）で26ポイント。これはMetaのMuse Spark Openを上回り、中国国外で開発されたオープンウェイトモデルとしては最高という位置づけ。ただし中国勢のDeepSeek V4.1 FlashとGLM-5.3には届かない。

一方でMistral自身はCoding Agent Index 48%を「GLM-5.3と実質同点」と表現している。つまり総合知能では中国勢の後塵、コーディング特化では並んだというのが正確な読み方だ。前回プレビュー時に「総合力25位」だったモデルが、3週間で総合知能まで塗り替えたわけではない。使う側は「コーディングエージェント用のモデル」として評価するのが妥当で、汎用チャットの上位互換として期待すると外す。

料金は半額に：$0.70 / $2.10

API価格はプレビュー時の$1.36 / $4.18から半分になった。

入力：$0.70 / 100万トークン
キャッシュ済み入力：$0.07 / 100万トークン
出力：$2.10 / 100万トークン

Artificial Analysisはベンチ1タスクあたりの運用コストが$5.54から$2.06へ63%減したと報告している。前回記事で「同程度の知能のオープンモデルの4倍以上高い」と指摘されていたコスト問題に、値下げとトークン効率改善の両面で対処した形だ。

自前運用の現実：1TBの重み、24GB GPUでは無理

重みはゲーティングなしで配布されている。ただしサイズが現実的でない。

FP8版（mistralai/Mistral-Large-4-1T-A52B）：68ファイル・約1,060GB
NVFP4版（-NVFP4）：32シャード・約610GB（Blackwell世代のNVIDIA GPU必須）
UnslothのGGUF UD-IQ1_S：約233GB（1ビット量子化）

vLLMのレシピではFP8が8×H200（TP16可）、NVFP4が4×GB300 / 8×B200で検証済み。SGLangは8×B300（FP8）／4×GB300（NVFP4）を検証構成として挙げている。Hugging Faceのlaunch postでは、2ビット量子化ならApple Silicon Ultra 512GBの1台で動くと報告されている（Q2_Kで生成15 tok/s程度）。

つまりDGX Spark（128GB）や24GB/48GB GPUでは実用にならない。個人開発者が触るなら、OpenRouterかMistral API、あるいはMicrosoft Foundry経由が現実解だ。「オープンウェイト＝無料でローカル」ではない点は前回記事から変わっていない。

ライセンス：MIT改変、ただしMaaSは別契約

Mistral Ecosystem Open-Weight LicenseはMITの改変版で、利用・改変・ファインチューニング・商用化は自由。収益上限もない。唯一の制約は「Model-as-a-Serviceとして第三者に推論やpost-trainingへのアクセスを売る事業者は、Mistralと別途商用契約を結ぶ」こと。社内利用やアプリへの組み込みは対象外だ。

前回記事で懸念したMetaのMuse Spark Openの「$20Mルール」のような売上閾値方式ではなく、用途で線を引く方式。判定は用途ベースなので、自社プロダクトに埋め込む分には読みやすい。ただし「APIとして売る」境界は曖昧になりやすいので、SaaS型で外販するなら法務確認は必須だ。

どう使い分けるか

コーディングエージェントのコスト最適化：Large 4（$0.70/$2.10、トークン47%減）は第一候補。Claude Opus 5.5とのブラインド比較（Surge Code）では負けるが、単価差は大きい
最高精度が要る場面：Anthropic Claude Opus 5.5（Terminal-Bench 4.0で60.9%）やGemini 4 Carbon（AA Index 59）が上
データ主権・オンプレ要件：Large 4の本命。欧州インフラでゼロから学習された系譜を開示している点は、金融・公共系の調達で効く。La Banque Postaleは「技術主権はオプションではない」とコメントしている
個人・小規模チーム：量子化しても512GB級のメモリが必要。まずはAPIで触り、必要になってから検討

推論モードはLow / Medium / Highの3段階（既定はHigh）。コストが気になるバッチ処理はMedium以下に落とすのが基本線になる。

まとめ

Mistral Large 4は、プレビュー記事で指摘した「重みが出ていない」「コストが高い」という2点を、3週間で両方とも解消してきた。コーディングエージェント用途では、オープンウェイトの選択肢として現実的に第一候補に入る。

ただし「総合知能で中国勢を超えた」わけではない。指標の読み分けができないと宣伝文句に振り回されるので、Coding Agent IndexとIntelligence Indexは別物として見ておきたい。