Kenapa Mistral Large 4 Disebut Le Chonk yang Bisa Diunduh?

Bayangkan kamu mengunduh model AI sekelas frontier, lalu menjalankannya di server sendiri tanpa bergantung pada API siapa pun. Itulah yang ditawarkan Mistral pada 29 Oktober 2026.

Lab asal Prancis itu merilis bobot Mistral Large 4, model yang mereka juluki Le Chonk. Model satu triliun parameter ini kini bisa diunduh siapa pun dari Hugging Face.

Artikel ini menjelaskan apa yang dirilis, seberapa kuat hasilnya di benchmark, dan batas yang perlu kamu pahami sebelum memakainya.

Apa yang Dirilis Mistral pada 29 Oktober?

Le Chonk pertama kali muncul sebagai public preview pada awal Oktober 2026. Versi yang dirilis pada 29 Oktober adalah versi yang sudah diperbaiki lewat tiga minggu reinforcement learning tambahan, berdasarkan umpan balik developer dan pelanggan awal.

Arsitekturnya mixture-of-experts dengan sekitar 1 triliun parameter total dan sekitar 49 miliar parameter aktif per token, atau 52 miliar kalau embedding dan output layer ikut dihitung. Jendela konteksnya 1 juta token, dan model ini menerima teks dan gambar sebagai input.

Bobotnya tersedia di Hugging Face dengan nama mistralai/Mistral-Large-4-1T-A52B, dan bisa dijalankan sendiri dengan vLLM atau SGLang. Model ini juga tersedia lewat Mistral Studio, API Mistral, OpenRouter, Microsoft Foundry, dan endpoint NVIDIA.

Kabar ini langsung ramai. Pengumumannya masuk front page Hacker News dengan lebih dari 1.400 poin dan hampir 400 komentar pada hari yang sama, dan Reuters ikut meliputnya pada 29 Oktober.

Seberapa Kuat Le Chonk di Benchmark Coding?

Di FrontierCode 2.0 dari Cognition, Le Chonk meraih 19,7 persen dan menjadi model open-weight terbaik. Benchmark ini menilai kualitas kode ujung ke ujung dan apakah maintainer repositori mau menggabungkan perubahan yang dibuat agen.

Di Artificial Analysis Coding Agent Index, Large 4 meraih 48 persen, praktis imbang dengan GLM-5.3 yang memimpin kategori model terbuka. Bedanya, Large 4 memakai 47 persen token lebih sedikit per tugas, jadi agen coding yang memakainya lebih murah dijalankan dalam skala besar.

Di Terminal-Bench 4.0, skornya 41 persen, naik 13 poin dari versi preview, dan memimpin di antara model terbuka sambil memakai 30 persen token output lebih sedikit. Di luar coding, model ini meraih 84,5 persen di BrowseComp untuk penelusuran web dan 73,3 persen di Finch untuk pekerjaan keuangan.

Mistral juga menambah tiga mode penalaran, yaitu Low untuk tugas sederhana, Medium untuk tugas sehari-hari, dan High sebagai default untuk kasus tersulit. Mode ini memberi developer kendali atas trade-off antara performa dan biaya.

Penilaian manusia ikut menguatkan klaim itu. Dalam evaluasi buta Surge Code, Large 4 lebih dipilih dibanding GLM-5.3, Kimi K3, dan DeepSeek V4.1 Flash, dan hanya kalah dari Claude Opus 5.5. Satu catatan jujur: semua angka ini berasal dari Mistral dan mitranya, bukan pengujian independen, jadi uji sendiri sebelum mengganti model andalanmu.

Kenapa Model Ini Dibangun untuk Pembela Siber?

Di Artificial Analysis Cyber Index, Large 4 meraih 51 persen. Indeks ini mengukur kemampuan menemukan celah di codebase, mereproduksi dan memvalidasinya, lalu menambalnya tanpa merusak fungsi yang sudah ada.

Guardrail bawaannya membedakan tugas defensif dan serangan. Model ini menolak rata-rata 96,6 persen permintaan siber berbahaya, tertinggi yang diukur Mistral di antara model terbuka. Di B3 Agent Security Benchmark, Large 4 menahan 97,1 persen serangan, naik dari 93,3 persen pada versi preview.

Mistral jujur soal risikonya. Mereka melihat potensi model membantu serangan nyata, jadi guardrail terus diperketat dalam beberapa bulan ke depan. Varian khusus untuk penetration testing dan red teaming hanya diberikan ke mitra terverifikasi seperti Orange Cyberdefense, dengan pengujian terbatas pada sistem milik sendiri atau yang sudah diizinkan secara eksplisit.

ENISA, badan keamanan siber Uni Eropa, sedang menguji Large 4 untuk identifikasi kerentanan, audit kode, dan analisis log defensif. La Banque Postale, bank publik Prancis, juga menyebut model terbuka ini sebagai kunci strategi kedaulatan teknologinya.

Apa Arti Lisensi Open Weight dan Harganya?

Model ini dirilis di bawah Mistral Ecosystem Open-Weight license, lisensi turunan MIT yang dimodifikasi. Model bebas dipakai, diubah, di-fine-tune, dan dikomersialkan. Satu syaratnya: bisnis yang menawarkan Model-as-a-Service wajib memiliki lisensi komersial terpisah dari Mistral.

Harga API-nya 0,70 dolar per juta token input, 0,07 dolar untuk cached input, dan 2,10 dolar per juta token output. VentureBeat mencatat tarif ini sekitar setengah dari tarif preview, dan jauh di bawah tarif model frontier tertutup.

Di sinilah kata terbuka perlu dibaca dengan jujur. Satu triliun parameter bukan model yang bisa jalan di laptop. Self-hosting yang realistis butuh GPU kelas data center, jadi opsi ini paling masuk akal untuk perusahaan, bukan perorangan. Mistral juga menyediakan Forge untuk fine-tune dengan data proprietary dan Studio untuk membangun agen yang terkendali.

Untuk Siapa Le Chonk Masuk Akal?

Perusahaan dan institusi yang butuh kontrol penuh atas data dan modelnya, terutama di Eropa. Bank, lembaga publik, dan tim keamanan bisa menjalankan model frontier di dalam firewall sendiri tanpa mengirim data ke API pihak ketiga.

Tim keamanan yang butuh asisten triase kerentanan, audit kode, dan patching otomatis di lingkungan tertutup. Contoh yang diberikan Mistral: agen membaca laporan kerentanan, menyelidiki kode, mereproduksi celah di sandbox, lalu menulis patch sampai exploit tidak lagi bekerja.

Developer yang memakai coding agent dalam skala besar juga diuntungkan. Token 47 persen lebih sedikit per tugas berarti tagihan lebih kecil untuk pekerjaan yang sama, dan mode penalaran Low bisa menekan biaya lebih jauh untuk tugas sederhana.

Le Chonk menunjukkan arah baru model terbuka. Bukan lagi model kecil yang tertinggal dari frontier, tetapi model frontier yang bisa kamu miliki dan jalankan sendiri. Kalau kamu penasaran dengan proyek AI lain yang saya kerjakan, lihat daftarnya di /projects.