Il Nuovo Postiglione - Mistral stellt KI-Modell ML4 mit einer Billion Parametern vor

Das französische KI-Labor Mistral hat am 29. Oktober 2026 die Gewichte seines neuesten Modells ML4 veröffentlicht. Mit dieser Veröffentlichung macht das Unternehmen sein bisher größtes und fortschrittlichstes Modell für die Allgemeinheit zugänglich. Ziel ist es, den technologischen Abstand zu führenden Open-Weight-Modellen wie Qwen von Alibaba, Gemma von Google oder Kimi von Moonshot AI zu verkürzen.

Intern trug das Modell während der Entwicklung den Spitznamen „Le Chonk“. Der Name leitet sich von seiner schieren Größe ab: ML4 verfügt über eine Billion Parameter, wobei pro Token – also pro Wortbaustein – 49 Milliarden aktiv sind. Pierre Stock, Vice President of Science bei Mistral, beschreibt das Modell als einen „ziemlichen Brocken“. Die Architektur des Modells ist darauf ausgelegt, jedes Token an verschiedene Teilnetze weiterzuleiten, die sogenannten Experten. Laut Stock sei der Trainingsprozess zwar aufwendig, die anschließende Anwendung jedoch „extrem effizient“.

In spezifischen Leistungsbereichen positioniert sich Mistral mit ML4 an der Spitze. Stock bezeichnet das Modell derzeit als das beste Open-Weight-Modell für Coding und Cybersicherheit. Die von Mistral veröffentlichten Benchmarks stützen diese Einschätzung teilweise: Im Artificial Analysis Coding Agent Index erreicht ML4 einen Wert von 48 Prozent und liegt damit praktisch gleichauf mit GLM-5.3 von Z.ai. Im CyberGym-E2E-Benchmark erzielt es 79 Prozent, was ebenfalls einem Gleichstand mit Xiaomis MiMo-V2.6-Pro entspricht.

Eine zentrale Frage bei der Veröffentlichung eines Modells dieser Dimension ist die praktische Nutzbarkeit. Stock verweist darauf, dass ML4 im Vergleich zum chinesischen Modell Kimi K3 dreimal kleiner sei. Zudem beherrsche Mistral fortschrittliche Quantisierungstechniken, also das Verkleinern von Modellen durch geringere Zahlengenauigkeit. In FP4 quantisiert, lasse sich ML4 auf vier GPUs vom Typ GB300 betreiben. Stock räumt ein, dass dies „natürlich immer noch viel“ sei, aber ein Budget darstelle, das sich Hochschulen und Forschungslabore leisten könnten.

Für Unternehmen sieht Mistral den Hauptvorteil offener Gewichte in der Unabhängigkeit. „Niemand einem den Zugang abschneiden kann“, so Stock. Das Labor spiele das Modell im Ökosystem der Kunden auf deren eigenen GPUs ein; danach sehe Mistral weder das Modell noch die Daten. Dies mache die Fehlersuche zwar kompliziert, aber es biete Sicherheit. Langfristig plane das Labor eine Modellfamilie: Man starte immer mit dem großen Modell, um dessen Wissen in kleinere Modelle zu destillieren. Einfache, wiederkehrende Aufgaben könnten dann an kleine Modelle delegiert werden, während komplexe Aufgaben von der großen Architektur übernommen würden.

Der Weg zur Veröffentlichung von ML4 dauerte zehn Monate seit dem Vorgängermodell. Stock nennt dafür zwei Hauptgründe. Erstens baute Mistral eigene Rechenzentren in Frankreich. ML4 wurde dort trainiert, „mit nur zehn Megawatt Leistung“. Im Vergleich zu den Kapazitäten der Konkurrenten sei dies „lächerlich wenig“. Zweitens setzte das Labor auf Reinforcement Learning, also Lernen durch Belohnung. Stock vergleicht diesen Prozess mit einem Studenten in einer Prüfung: Das Modell löse Aufgaben selbstständig und werde belohnt, wenn es sie ganz oder teilweise korrekt löse. „Die ganze Kunst liegt darin, den Schwierigkeitsgrad der Fragen richtig einzustellen.“

Zwischen der Preview am 6. Oktober und der Open-Weights-Version habe ML4 deutlich an Leistung gewonnen. Zudem verbrauche die finale Version 50 Prozent weniger Token bei gleicher Intelligenz. In agentischen Tests, in denen Modelle Aufgaben selbstständig planen und ausführen müssen, sprang die Erfolgsquote von gut sechs auf knapp 60 Prozent gelöste Aufgaben. Stock führt dies auf das Reinforcement Learning zurück. Das Ziel sei eine „Flugzeit“ von Stunden, bei ML5 womöglich von Tagen.

Cybersicherheit nennt Stock eine bewusste „Wette“. Da die Zahl bekannter Schwachstellen exponentiell wachse, eigne sich ML4 dazu, Lücken zu finden, bevor andere es tun. Offene Gewichte sicherten die Geschäftskontinuität: „Stellen Sie sich vor, Sie wehren gerade einen Angriff ab, und plötzlich wird Ihr Zugang gesperrt. Dann sind Sie erledigt.“ Das Missbrauchsrisiko bestreitet er nicht. ML4 lehne bösartige Aktionen in Benchmarks deutlich häufiger ab als chinesische Konkurrenzmodelle. Dies sei jedoch „kein Zaubermittel“, denn Schutzmechanismen ließen sich aushebeln. Der Aufwand dafür solle so hoch sein wie das Training eines eigenen Modells.

Stock warnt davor, sich zu sehr auf Benchmarks zu fixieren: „Jeder Benchmark lässt sich austricksen.“ Wichtiger sei, Modelle nie allein einzusetzen, sondern von einem ebenso leistungsfähigen Modell überwachen zu lassen. „KI ist wie Software, man kann sie kontrollieren. Ich sage nicht, dass das einfach ist, aber es ist möglich.“ Beim Coding räumt er ein, dass ML4 hinter den besten Modellen liege: „Die anderen haben derzeit hundertmal mehr Ressourcen als wir.“ Zugleich sei ML4 besser als Anthropics Opus 4.8, das Ende Mai herauskam. „Wir liegen nur Monate hinter unseren Konkurrenten.“

Beim Datenschutz setzt Mistral auf Zero Data Retention, also das Nichtspeichern von Kundendaten. Diese Garantie sei „entscheidend“. Auf dieser Basis bietet Mozilla im Smart Window von Firefox, derzeit in der Beta, Mistral Small 4 als eines von mehreren Modellen an.

Mistral wird nach der jüngsten Finanzierungsrunde, die drei Milliarden Euro einbrachte, mit über 21 Milliarden Euro bewertet. Das Unternehmen öffnet seine Plattform für Modelle Dritter, etwa das chinesische GLM-5.3. Stock betont jedoch, dass die eigenen Modelle im Mittelpunkt bleiben. Das Angebot fremder Modelle diene dazu, einen größeren Teil der Tokennachfrage abzudecken und so mehr in Rechenzentren zu investieren, von denen ein Teil in die Forschung fließe. „Unser Ziel ist es, sowohl Cloud-Anbieter als auch Frontier-Lab zu sein.“ Dass zeitweise ein chinesisches Modell besser war als das eigene, sei zudem eine gute Motivation für die Forschenden gewesen.

Das bedeutet nicht, dass sich Mistral vom KI-Entwickler hin zu einer reinen Infrastrukturplattform wandelt. „Die Modelle stehen weiterhin im Mittelpunkt. Wir sind ein Frontier-Lab und wollen Spitzenmodelle trainieren. Das steht fest.“ Auch den Chatbot Le Chat entwickelt Mistral weiter, vor allem als Einstiegspunkt für Unternehmenskunden und als Experimentierfeld. Dort testet das Labor etwa Audiomodelle wie Voxtral, Spezialmodelle für Texterkennung oder einen Admin-Bereich. Er stellt sicher, dass der Chatbot in Unternehmen nur auf Dokumente zugreift, für die der jeweilige Nutzer freigegeben ist.

Zur Frage, wie aus Absichtserklärungen wie der von Deutschland, Frankreich, SAP und Mistral vor etwa einem Jahr konkrete Projekte werden, nennt Stock ein Beispiel aus der Autoindustrie. Mit ML4 ließen sich bei Crashtests physikalische Größen an jedem Punkt des simulierten Autos vorhersagen und „hundertmal mehr Crashtests“ durchführen. Das Modell könne zudem die Position von Sitzen oder Türen anpassen. Ein echter Crashtest bleibe am Ende nötig, aber der Entwicklungszyklus sei drastisch beschleunigt. Solche Projekte laufen laut Stock bereits mit deutschen Unternehmen.

Zur Debatte, ob Europa sich auf KI-Anwendungen statt auf eigene Spitzenmodelle konzentrieren sollte, wie es EU-Kommissionspräsidentin Ursula von der Leyen eher nahelegt, bezieht Mistral klar Stellung. CEO Arthur Mensch hatte das als Kapitulation bezeichnet und Stock ergänzt: „Wenn wir die Spitzenmodelle aufgeben, verabschieden wir uns im Grunde von der Idee, dass Europa als Supermacht in Zukunft noch etwas zu sagen hat.“ Er stellt den Zugang zu Intelligenz, also zu Token, auf eine Stufe mit dem Zugang zu Strom. Ohne lokale Stromproduktion wäre die industrielle Revolution gescheitert, argumentiert er. Von der Politik fordert er daher Unterstützung beim Aufbau von Rechenzentren und Kapazitäten. „Wir haben bewiesen, dass wir effizienter sind als die Konkurrenz, und trotzdem brauchen wir zehnmal mehr Ressourcen.“

A.Rastelli--INP