Mistral Large 4とは？特徴や性能・使い方・料金を解説

最終更新日:2026/11/13

Mistral Large 4は、Mistral AIが2026年10月6日に公開プレビューとして発表した大規模マルチモーダルモデルです。コーディングやAIエージェント、画像理解、金融・法務などの専門業務を対象としています。

本記事では、モデルの性能とAPI料金、試用方法、重みの配布予定を分けて解説します。公表済みの情報と今後の予定を区別して紹介します。

Mistral Large 4とは？公開状況と位置づけ

Mistral Large 4（ミストラル ラージ フォー）は、Mistral AIが2026年10月6日に発表した同社最大規模のマルチモーダルAIモデルです。現在は公開プレビューとして提供されており、開発元は「le Chonk」という愛称でも紹介しています。

利用形態は、API経由での試用と、重みを利用した自社環境での実行に分けられます。API経由の試用はすでに始まっていますが、モデルの重み（weights）は2026年10月時点では未公開です。APIを使えることと、自社環境で動かせることは別の話として押さえる必要があります。

たとえば、Mistral Studio上でのコード解析は今すぐ試せます。一方、公開予定の重みを使って社内サーバーで実行するには、配布開始を待つ必要があります。

出典：Mistral AI｜Introducing Mistral Large 4／Mistral AI｜Changelog

公開プレビューで利用できる範囲

現在利用できるのは、Mistral Studio上のプレビューAPIです。一方、重みのダウンロードによる全利用者向けの配布は始まっていません。

公開プレビューとは、正式版の前に機能を試せる段階を指します。一般提供（GA）済みの安定版とは異なり、仕様や価格、利用制限が変わる可能性があります。公式発表でも、強化学習による改良を続けている段階と説明されています。

本番業務へ組み込む際は、変更履歴を定期的に確認するとよいでしょう。

モデルの重みを公開する予定

開発元は、Mistral Large 4の重みを2026年10月末までに公開すると予告しています。

Hugging Face上の公式ページは「公開予定」の状態で、現時点の予定日は10月31日です。

公開までの期間は、サイバーセキュリティ分野の企業や公的機関などと、実環境での検証を進めると説明されています。

ダウンロード容量や配布形式、利用許諾（ライセンス）については、まだ正式な案内がありません。社内導入を検討する場合は、正式配布後に公式のモデルカードと利用規約を確認してください。

Mistral Large 3から変わった点

Large 4はLarge 3よりモデル規模が拡大した一方、重みの公開状況も異なります。

Large 3は2025年12月に公開されたMoEモデルで、総パラメータは6,750億、稼働パラメータは410億です。Large 4は総パラメータ約1.05兆、稼働パラメータ約520億で、総量では約1.6倍の規模になります。学習環境も、Large 3のNVIDIA H200約3,000基から、Large 4ではGrace Blackwell 3,800基へ移りました。

公開状況については、Large 3は基盤版と指示調整版の重みを、Apache 2.0ライセンスで公開済みです。Large 4の重みは公開予定の段階で、ライセンスの種類も10月時点で未発表です。

出典：Mistral AI｜Introducing Mistral 3

Mistral Large 4の技術仕様

Mistral Large 4は、MoE構造を採用した大規模マルチモーダルモデルです。仕様を読む際は、総パラメータと実行時に使うパラメータを区別する必要があります。

また、APIで扱えるコンテキスト長と、自社環境で動かす際のメモリ量は別の指標です。たとえば、100万トークンを扱えるという表示は、必要なGPUメモリ量を示すものではありません。

項目	Mistral Large 4の公表仕様
発表・提供状態	2026年10月6日公開プレビュー／APIを試用可能
アーキテクチャ	granular MoE（Mixture-of-Experts）
総パラメータ数	約1.05兆（1.05T）
稼働パラメータ数	約520億（52B）（※公式モデルカードの値。Hugging Faceの予定ページでは、埋め込み層・出力層を除いた約490億とも記載）
ビジョンエンコーダ	16億パラメータ（1.6B）
コンテキスト	最大100万トークン（公式APIモデルカード）
モデルの重み	10月末公開予定（Hugging Face上の予定日は10月31日）

出典：Mistral AI｜Introducing Mistral Large 4

Mixture-of-Experts（MoE）の構造

MoEは、モデル内の複数の専門ネットワークから、トークンごとに一部だけを選んで動かす仕組みです。全体の重みを毎回すべて使うわけではないため、総パラメータ数と稼働パラメータ数が一致しません。

たとえば、社内に多数の専門部署があっても、案件ごとに担当する部署だけが動く組織に似た仕組みです。

公式モデルカードでは、Large 4の構造を「granular MoE」と表記しています。一方、Hugging Faceの予定ページでは、1トークンあたりの稼働数を490億とし、埋め込み層と出力層を含めると520億になると補足しています。本記事では、公式モデルカードの現在の表示である520億を基準として扱います。

関連記事：Llama 4 とは？Meta 最新AIの3モデルの特徴や性能・安全性を徹底解説

総パラメータと稼働パラメータ

公式モデルカードに記載されている数値は、総パラメータ約1.05兆、稼働パラメータ約520億です。加えて、画像を読み取るためのビジョンエンコーダとして16億パラメータを備えています。

総パラメータはモデル全体が持つ重みの量を指します。稼働パラメータは、1トークンの処理で実際に使われる量です。1トークンあたりの計算量は稼働パラメータに左右されますが、GPUメモリには全エキスパート、つまり総パラメータ分の重みを載せる必要があります。総パラメータ数だけで計算量を見積もったり、稼働パラメータ数だけで必要メモリを見積もったりすると、負荷を見誤るおそれがあります。

なお、公式発表では「1兆パラメータ」と丸めた表現も使われています。比較の際は、表記の違いに注意してください。

モデル容量とGPU要件の公表状況

2026年10月時点では重みが未配布のため、Large 4のダウンロード容量や量子化サイズは確定していません。必要なGPUメモリ量も公式には示されておらず、確定値として扱うことはできません。

参考として、前世代のLarge 3では、NVFP4形式のチェックポイントを8基構成のA100またはH100ノードで動かせると案内されていました。ただし、Large 4に必要な設備を、パラメータ数の比較だけで見積もることはできません。

具体的な要件は、重みの公開時に示される公式情報で確認してください。

最大100万トークンのコンテキスト

Mistral公式のモデルカードは、Large 4のコンテキスト長を最大100万トークンと掲示しています。変更履歴でも、公開プレビュー開始時の特徴として、100万トークンのコンテキストウィンドウが挙げられています。

コンテキスト長とは、1回のやり取りでモデルが参照できる情報量の目安です。たとえば、数百ページ規模の契約書一式や、複数ファイルにまたがるソースコードを一度に読み込ませる用途が想定されます。

ただし、長文を入力するほど入力トークンの料金が増え、応答までの時間も延びる傾向があります。実務では、必要な範囲に絞って入力するなど、費用と精度のバランスを確認しながら使い分けてください。

テキスト・画像の入力対応

Large 4は、文章に加えて画像も入力できるマルチモーダルモデルです。公式発表では、複雑な文書や図表、自然画像をまたいで推論できる点が強みとして紹介されています。モデルカードによると、文書の内容に関する質問応答（Document QnA）や構造化出力、関数呼び出しにも対応しています。

たとえば、スキャンした請求書の画像を入力し、金額や支払期日を指定の形式で抜き出す使い方です。製造業であれば、部品図面の画像から寸法や部品番号を読み取る場面にも応用できます。

読み取り結果は原本と照合し、誤読がある前提で確認工程を設けてください。

関連記事：VLMとは？LLMとの違いから仕組み、生成AIのビジネス活用例まで解説

Mistral Large 4でできること

Large 4は、チャットでの応答に加え、専門的な文書作業やコーディング、画像理解、複数手順にまたがる業務支援までを対象としています。公式発表では、金融や法務、サイバーセキュリティなどの企業向け業務を重点分野に挙げています。

ただし、ここで紹介する活用例やデモだけで、実務上の精度が保証されるわけではありません。

利用領域	具体的な用途例	導入時に確認すること
ソフトウェア開発	コードの調査・修正・テスト補助	実装差分とテストの再確認
AIエージェント	情報収集、表計算・資料作成	権限・実行ログ・人による承認
マルチモーダル	PDFや図面の解析・根拠の抽出	画像・原本との照合
専門業務	財務調査・法律文書・科学計算	専門家の監督・検算

出典：Mistral AI｜Introducing Mistral Large 4／Mistral AI｜Mistral Large 4 – Mistral AI

プログラム開発への活用

Large 4は、既存リポジトリの把握や複数ファイルの修正、ターミナル操作を伴うコーディング支援に活用できます。公式発表では、ソフトウェア開発、リポジトリの理解、複雑なターミナル作業を得意分野として挙げています。

たとえば、不具合報告をもとに関連ファイルを調べ、修正案とテストコードを作成させる使い方が想定されます。

ただし、AIによる変更を確認せずに本番環境へ反映することは避けてください。変更内容については、テストを実行し、人によるコードレビューも行う必要があります。特に、認証や決済など影響が全体に及ぶ箇所は、差分を1行ずつ確認する運用が安全です。

AIエージェント業務への活用

Large 4は、外部ツールから情報を集め、複数の操作を組み合わせて成果物まで仕上げるAIエージェント用途に対応します。公式発表では、GmailやGoogleスプレッドシート、Slack、Salesforceなどをまたぐ業務の評価結果が示されています。

たとえば、問い合わせ内容を集計して表計算にまとめ、週次報告の資料案を作成する使い方が考えられます。モデルカードにも、エージェントや組み込みツール、関数呼び出しへの対応が記載されています。

導入時は、AIに与える権限の範囲を業務ごとに絞ることが重要です。送信や削除など取り消しが困難な操作の前には、人による承認工程を設けてください。

関連記事：【2026年最新】AIエージェントとは？生成AIとの違いや種類、選び方を解説

画像・文書解析への活用

Large 4は、技術図面やPDFの記載を確認し、視覚的な根拠とともに情報を抽出する用途に活用できます。公式発表のデモでは、機械部品の図面を拡大しながら検証する様子や、PDFから根拠を探し出す様子が紹介されています。ほかにも、巨大な衛星画像から目的の物体を探すデモが公開されています。

たとえば、保守点検の報告書PDFから、異常箇所の記述と該当ページを抜き出す使い方です。

ただし、細かな図面や画像を正確に読み取れるかは、公式デモだけでは判断できません。精度は画像の解像度や書式によって変わるため、原本との照合を前提に運用してください。

金融・法務業務への活用

Large 4は、財務資料の調査や表計算の編集、法律文書の検討など、専門領域の作業補助に活用できます。公式発表では、複雑な表計算や文書の作成・編集・修正をこなせる点が、知識労働向けの強みとして示されています。

第三者評価ツールのvals.aiによる法務・金融タスクの評価でも、比較対象のGPT-6-Astraを上回ったと公表されています。

たとえば、決算資料の数値を表計算に転記し、前年比を算出する作業です。ただし、作業内容は専門職が確認し、数値も検算する必要があります。顧客情報や未公表の財務データを扱う場合は、データ管理の条件を事前に確認してください。

Mistral Large 4のベンチマーク性能

Mistral AIの公表値では、Large 4はコーディングやサイバーセキュリティ、業務自動化の各分野で高水準の結果を示しています。ただし、表の数値はすべて開発元による発表値です。

開発元の評価と独立した第三者による評価を区別し、テスト名・評価内容・測定者も確認してください。また、実際の業務での優劣は、使用するデータや評価基準によって変わります。

ベンチマーク	Mistral発表値	確認上の注意点
DeepSWE v1.1	61.7%	コーディングの評価／公式発表値
Terminal-Bench 4	28.3%	端末操作を含む課題／公式発表値
AutomationBench	59.9%	複数アプリの業務操作／公式発表値
Cybench	93%	セキュリティ課題／公式発表値
AA-Briefcase	1,393 Elo	長期的な知識業務／公式発表値

出典：Mistral AI｜Introducing Mistral Large 4

コーディング性能の評価

コーディング分野の公表値は、DeepSWE v1.1で61.7%、Terminal-Bench 4で28.3%です。DeepSWEはソフトウェア開発の課題解決、Terminal-Bench 4は端末操作を含む課題の評価で、測る能力が異なります。

加えて、Surge AIと実施した専門家のブラインド評価では、5点満点中3.74点で5モデル中2位でした。同評価で首位だったのは、Claude Opus 5の4.22点です。

各数値は、同じ採点基準と設定で比較したモデルの範囲に限った結果です。たとえば、Terminal-Bench 4の28.3%をDeepSWEの61.7%と並べて、性能の優劣を論じるのは誤りです。

サイバーセキュリティ性能の評価

公式発表では、サイバーセキュリティがLarge 4の主要な強みとして紹介されています。競技形式の40問で構成されるCybenchでは、93%の課題を解いたと公表されています。

Artificial Analysisのサイバー指標の1つで、実在するぜい弱性を再現して修正する試験でも82%を記録しました。一方、一部のクローズドモデルは同じ試験で作業自体を拒否し、点数がほぼ0になったと説明されています。

ただし、攻撃的な操作の許容範囲と、モデルの安全性は別の論点です。公式発表では、悪意あるサイバー関連の要求に対する拒否率も、比較したオープンモデルの中で最も高水準と示されています。

業務自動化・マルチモーダル性能の評価

業務自動化の指標では、657種類の業務フローで構成されるAutomationBenchで59.9%を記録しています。長期的な知識業務を評価するAA-Briefcaseでは、1,393 Eloという数値が公表されています。

マルチモーダル分野では、画像内の対象を特定するDense 200で42%となり、GPT-6-Astraの41%を上回ったとされています。用途別に見ると、AutomationBenchは定型業務の自動化、Dense 200は画像点検などの参考指標です。

ただし、ベンチマークの点数は、現実の業務精度や作業削減率に直接換算できません。たとえば59.9%という数値は、業務の6割を自動化できるという意味ではありません。

Mistral Large 4の使い方

公式に案内されている入口は、Mistral StudioでのプレビューAPI試用です。ローカル実行には重みの配布が必要であり、現時点で利用できるAPIとは導入手順が異なります。

まずStudioで挙動を確かめ、業務に合うと判断できた段階でAPI連携へ進む流れが効率的です。

手順	操作と確認項目
1. Studioへアクセス	Mistral Studioにログインし、Playgroundを開く
2. モデルを選ぶ	公開プレビューのMistral Large 4を選択する
3. 指示文を試す	要約・画像理解・コード解析などの指示文で挙動を確認
4. API連携	APIキーを安全に保存し、モデルID「mistral-large-4」を指定
5. コストを確認	利用量、トークン数、エラー、支払い条件を確認

出典：Mistral AI｜Studio／Mistral AI｜Send your first API request

Mistral Studioでの試用方法

Mistral StudioのPlaygroundでは、コードを書かずにLarge 4を試せます。Studioへログインし、Playgroundを開くと、指示文の試行やモデルの比較、パラメータの調整ができます。

モデル一覧から公開プレビューのMistral Large 4を選び、指示文を送って応答を確認します。たとえば、社内文書の要約、図表画像の読み取り、数十行程度のコード解析の3種類を試すと、得意分野の把握に役立ちます。

なお、プレビュー提供のため、表示されるモデルや利用制限は変更される可能性があります。一部の機能はプランによって異なる旨も、公式に記載されています。

APIキーとモデルIDの指定方法

API連携では、StudioでAPIキーを発行し、モデルID「mistral-large-4」を指定してリクエストを送ります。APIキーはStudioのAPI keys画面で作成でき、キーが表示されるのは作成時の一度だけです。

発行したキーはコードに直接書かず、環境変数MISTRAL_API_KEYに設定して管理してください。Pythonの場合は、公式SDKのmistralaiをインストールし、チャット補完の関数でモデルIDを指定します。

注意点として、公式クイックスタートのコード例では、汎用の別名「mistral-large-latest」が使われています。Large 4を使う場合は、モデルIDを「mistral-large-4」へ明示的に置き換えてください。

応答内容と使用量の確認方法

コードを実行したあとは、レスポンスの本文とエラー内容を確認し、利用量はStudioの管理画面で確かめます。公式クイックスタートでは、正常時は端末にモデルの回答が表示されると説明されています。

主なエラー要因として公式が挙げているのは、次の3つです。401はAPIキーの誤りや未設定、402は支払い方法の未登録、429はレート制限への到達を示します。たとえば429が出た場合は、時間を置き、待機時間を段階的に延ばしながら再試行する方法が推奨されています。

請求額や利用量は、Studioのコンソールから定期的に確認してください。特にプレビュー期間中は、想定外のトークン消費を早期に見つけるため、週単位での確認が有効です。

Mistral Large 4の料金と利用条件

Large 4のAPI料金は、入力・キャッシュ入力・出力のトークン量に応じた従量制です。公式価格表では、発売記念割引の終了後の通常価格が表示されています。

課金項目（100万トークンあたり）	発売記念割引（終了済み）	通常価格（2026年10月時点）
入力	$0.68	$1.36
キャッシュ入力	$0.07	$0.14
出力	$2.09	$4.18
価格の注意	10月6日から2週間の50%割引	利用前に公式価格表で再確認

出典：Mistral AI｜API pricing

API料金と期間限定割引

2026年10月時点で適用される価格は、100万トークンあたり入力1.36ドル、キャッシュ入力0.14ドル、出力4.18ドルです。

公式の変更履歴によると、公開開始の10月6日から2週間は、発売記念として50%割引が適用されていました。割引後の価格は入力0.68ドル、キャッシュ入力0.07ドル、出力2.09ドルで、割引期間はすでに終了しています。

たとえば、入力100万トークンと出力20万トークンを使う場合、通常価格では約2.20ドルになります。価格はプレビュー期間中に改定される可能性があるため、公開・利用の時点で公式価格表を再確認してください。

無料枠と利用上限の確認方法

Studioはクレジットカード不要の無料モード（Free mode）で開始できます。ただし、Large 4のAPIを無条件に無料で使えるわけではありません。公式クイックスタートでは、支払い方法が未登録の場合に402エラーが返る例も示されています。

無料モードで使えるモデルや利用量の範囲は、アカウントの設定画面で確認する必要があります。レート制限や支払い条件もアカウントごとに異なり、プランによって使える機能も変わります。

たとえば、検証用の個人アカウントと本番用の組織アカウントで、同じ処理量を流せるとは限りません。本格利用の前に、請求設定と利用上限を管理者画面で確かめてください。

Hugging Face・ローカル実行の公開状況

Large 4の公式な重みはまだ配布されていません。Hugging Face上のMistral AI公式ページは「公開予定」の表示で、予定日は10月31日とされています。

公式配布の開始前に、Large 4を名乗るチェックポイントやOllama向けの量子化ファイルを、正規の提供物と判断することは避けてください。非公式の配布物には、別モデルの流用や改ざんされたファイルが含まれる可能性もあります。

ローカル展開は、重みの形式やライセンス、必要なRAM・VRAMの正式発表を確認してから検討します。たとえば社内GPUサーバーでの運用を想定する場合も、公式要件が公開されるまでは、設備の購入を決めないほうがよいでしょう。

Mistral Large 4を企業で導入する際の確認事項

企業でLarge 4を導入する際は、処理品質だけでなく、データの所在やアクセス権限、監査、費用を含めて導入方法を選ぶ必要があります。

公式発表によると、公開プレビューはMistral AIが欧州に持つ自社データセンターで提供されています。また、モデルの公式発表と自社検証にもとづく評価結果は、分けて記録しておくことが重要です。

業務に適したモデルの選び方

モデル選びは、要求精度・利用方式・費用の3点で比較することが基本です。複雑な推論や専門業務の精度を重視する場合は、Large 4のプレビューAPIが候補になります。一方、自社環境で今すぐ動かす必要がある場合は、重みがApache 2.0で公開済みのLarge 3が現実的な選択肢です。

費用面でも、公式価格表ではLarge 3の入力が100万トークンあたり0.5ドル、出力が1.5ドルと、Large 4より安価に設定されています。

たとえば、大量の定型文書の分類はLarge 3、契約書の論点整理はLarge 4といった使い分けが考えられます。比較の際は、各モデルの利用条件と公表時期をそろえて判断してください。

機密情報とデータ管理の確認方法

公開プレビューを業務で使う場合は、データの保存先・処理地域・管理権限を、契約や管理者設定で事前に確かめる必要があります。

公式発表によると、Large 4は欧州を含む複数地域で提供される予定です。欧州では、Mistral AIが一貫して運用する環境も用意されると説明されています。ただし、実際の処理地域や保存条件は、契約内容や管理者設定によって異なります。

たとえば、個人情報を含む問い合わせ履歴を入力する前に、データ処理契約（DPA）の内容を法務部門と確認してください。重みの公開後に自社運用できる可能性と、現時点で確約されているデータ保護条件は分けて考えることが大切です。

導入前に実施する性能評価

導入可否は、ベンチマークではなく自社の実データによる評価で判断することが重要です。測定する項目は、正答率、根拠の示し方、再現性、1タスクあたりの費用の4つが基本です。

たとえば、過去の問い合わせ100件を入力し、回答の正誤と根拠の妥当性を担当者が採点する方法があります。同じ指示文を複数回送り、回答のぶれを確認すると、再現性の目安になります。

公式発表の専門家による人手評価でも、分野によって比較モデルとの優劣が変わる結果が示されています。評価の際は、誤回答が出た場合の対応手順と、人による確認工程も含めて設計してください。

まとめ

Mistral Large 4は、総パラメータ約1.05兆のMoE構造と、最大100万トークンのコンテキストを備えたMistral AI最大規模のマルチモーダルモデルです。2026年10月時点では公開プレビューの段階にあり、Mistral StudioとAPIから試用できます。

API料金は100万トークンあたり入力1.36ドル、出力4.18ドルで、発売記念の割引期間はすでに終了しています。重みは10月末の公開が予告されていますが、容量やライセンス、GPU要件は正式発表を待つ必要があります。

導入を検討する際は、公式の発表値と自社での検証結果を分けて記録してください。データ管理と人による確認体制を含めて、自社での導入可否を判断しましょう。

アイスマイリーでは、生成AI のサービス比較と企業一覧を無料配布しています。課題や目的に応じたサービスを比較検討できますので、ぜひこの機会にお問い合わせください。