Mistral Large 4（Le Chonk）はAPIで試せますが、2026年10月12日時点ではウェイトの一般公開前です。
ローカル実行を考えるなら、まず公開状況と、PCのメモリに収まるかを分けて判断してください。
現段階で「使える」という情報は、主にクラウド上のモデルへリクエストを送れることを指します。
自分のPCへダウンロードして実行するための条件は、配布後に確かめる必要があります。
本記事では公式仕様と計算上の容量を区別し、機材を買う前に判断できる範囲を整理します。
Mistral Large 4は、フランスのMistral AIが2026年10月6日にプレビューを発表した汎用モデルです。
「Le Chonk」は公式が発表で使う愛称で、別の軽量版や別製品を指す名称ではありません。
従来モデルのMistral Large 3も、テキストと画像に対応したMoEモデルでした。
公式モデルカードでは総6,750億・アクティブ410億、コンテキスト256Kとされています。
Large 4は規模と公称コンテキストを拡張し、推論の強さを調整する仕組みも備えています。
画像対応そのものを今回初めて搭載したと理解すると、世代間の違いを見誤ります。
ただし、モデルの規模が増えたことと、あらゆる用途で品質が上がることは別です。
既存の業務へ置き換える場合は、同じ入力で出力と失敗例を比べる方が判断に役立ちます。
現在の公式モデルページには、総1.05兆パラメータ、アクティブ520億パラメータ、16億パラメータの画像エンコーダーが記載されています。
一方、発表当初の紹介には総1兆・アクティブ490億という表記がありました。
公式名義の公開予告ページは、490億を1トークン当たり、520億を埋め込み・出力層込みと説明しています。
このため本記事は、総容量の計算に1.05兆を採用します。
画像エンコーダーを総数へ再加算することはせず、公開後の構成ファイルで集計範囲を再確認する方針です。
MoEは、入力に応じて複数の専門部品（エキスパート）の一部を選び、処理する仕組みです。
全パラメータを毎回計算に使うDenseモデルとは異なります。
ただし、処理に選ばれなかった部品も、別の入力で使われ得るため保存先は必要です。
アクティブ数の小ささだけから、必要メモリまで小さいと考えることはできません。
入力はテキストと画像、出力はテキストとして確認できます。
画像を理解できることは、画像生成や音声の直接入出力までできることを意味しません。
公称コンテキストは1Mトークンです。
ただし第三者評価ページには約524Kという表記があり、資料間で一致していません。
長文処理を設計する場合は、公称値だけでなく、実際に使うエンドポイントの上限を確認してください。
また、推論設定の reasoning_effort は none と high を使い分けられます。
複雑なコード調査ではhighを比較対象にできますが、出力トークンの増加が料金や待ち時間へ影響します。
ツール呼び出しを伴う処理では、モデルの回答だけでなく、与える権限や実行結果の検証も設計する必要があります。
10月6日に始まったのはAPIのパブリックプレビューです。
公式はウェイトを10月末までに公開すると説明しており、Hugging Faceの予告ページには10月31日がCurrent ETAとして表示されています。
報道には10月27日という予定もありますが、本記事では現在の公式情報を優先し、「10月末予定」と扱います。
10月12日の確認では、予告ページはUpcoming releaseで、一般配布済みのウェイトや正式なローカル実行手順は確認できませんでした。
これは公開予定ページであり、ダウンロードできるモデルカードと同じ扱いにはしません。
Mistral StudioでAPIキーを発行し、Chat CompletionsなどのAPIを使います。
変更履歴のモデルIDは mistral-large-4、推論設定のドキュメントには mistral-large-4-0 が記載されています。
接続先が提供するモデル一覧を確認し、利用可能なIDを指定してください。
呼び出しの基本形は次のとおりです。APIキーは環境変数へ設定し、公開サイトのHTMLやブラウザ側のコードへ埋め込まないでください。
以下は公式仕様に基づく記述例で、本記事でのAPI実行検証は行っていません。
curl https://api.mistral.ai/v1/chat/completions \
-H "Authorization: Bearer $MISTRAL_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mistral-large-4",
"messages": [{"role": "user", "content": "このコードの問題点を日本語で説明してください。"}],
"reasoning_effort": "none",
"max_tokens": 1024
}'
公式ページの表示では、100万トークン当たり通常入力1.36米ドル、キャッシュ入力0.14米ドル、出力4.18米ドル。
10月12日時点の発売時割引は、それぞれ0.68、0.07、2.09米ドルです。
変更履歴は「2週間の50%割引」としています。
継続利用の予算を割引価格だけで組まず、課金画面の現行条件を確認しましょう。
公式一覧の「Open」という表示だけでは、Apache 2.0やMITなどの具体的なライセンスは確定できません。
Large 3のApache 2.0をLarge 4へ引き継いで書くことも避けるべきです。
ローカル版の商用利用、改変、再配布の条件は、公開時のライセンス本文を確認するまで未確定として扱います。
本記事の確認範囲では、一般利用できるLarge 4の公式量子化ウェイトも確認できていません。
「オープンウェイト公開予定」は、学習データや学習コードの公開まで保証する言葉ではなく、オープンソースと同義には扱えません。
Mistralの公表値は、DeepSWE v1.1が61.7%、Terminal-Bench 4が28.3%、AutomationBenchが59.9%です。
コード修正や業務エージェントを評価する指標ですが、ここに示した数値はMistralの発表に掲載された値であり、本記事が独立に再現した結果ではありません。
同社はSurge AIと行った盲検評価も紹介しています。
コード品質の5段階評価でLarge 4 Previewは3.74、比較した5モデルのうち2位、Claude Opus 5は4.22でした。
評価協力者が第三者でも、発表主体、比較モデル、実行条件を確認せずに一般的な順位へ広げることはできません。
Artificial Analysisのモデル評価ページでは、Intelligence Indexは38です。
個別のコード課題で優位という公式説明と、複数領域を束ねた指数は違うものを測っています。
「GPTやClaudeを超えた」と全体性能へ言い換える根拠にはなりません。
一方、日本語専門文書での正確性、量子化後の品質、個人機材での生成速度については、本記事では十分な検証を確認できていません。
これらは弱点が証明された項目ではなく、判断材料が不足している項目です。
プレビューと公開後のチェックポイントが異なれば、評価結果も引き継げるとは限りません。
導入時には、日本語の要約、既存コードの修正、画像資料からの抽出など実際の課題を用意し、同じツールと出力予算で比較してください。
正答率だけでなく、誤りを検出する手間や再試行を含む費用も評価に入れると、運用後の負担を見積もりやすくなります。
比較対象は系列名だけでなく具体的なモデルを固定します。
Qwenはローカル実行を検討しやすい主要公開モデルのQwen3.8-27B、DeepSeekは大型公開モデルのV4-Pro、GPTとClaudeは現行の主要モデルからGPT-6 AstraとClaude Opus 5.5を選びました。
系列全体の最高性能順を示す表ではありません。
以下の用途欄は、公式の想定用途と、本記事の導入上の整理です。各社の「得意分野」を同条件で順位付けした結果ではありません。
Qwen3.8-27Bの言語モデル部分を一律4bitで表す単純計算は約13.5GBです。
Large 4との容量差は大きく、画像処理やキャッシュの追加分を見込んでも、個人PCで検討する候補としての位置付けが異なります。
ただし実ファイルサイズは配布形式で確認してください。
DeepSeek-V4-Proも、アクティブ数が総数より小さい大型MoEです。
公開済みだからといって一般的なPCへ収まるわけではありません。
GPTとClaudeの場合は、自前GPUの性能より、利用制限、データの扱い、タスク全体の料金が選択へ直結します。
Llamaを比較へ追加する場合も同様に、具体的な世代と配布モデルを固定してください。
「Llamaはローカルで動く」という系列全体の説明だけでは、必要メモリやライセンスは判断できません。
自前実行の可否は、重みの保存先、計算を担当する機材、対応ソフトの三つで判断します。
総パラメータ数からは、モデル全体をGPUへ載せる構成が、個人向け単一GPUの規模を大幅に超えることが分かります。
RTX 5090のVRAMは32GBです。
後述する4bitの重みだけの計算値とも大きな差があり、「最新GPUだから動く」という判断は成り立ちません。
公開後に検討する構成は、大容量の複数GPUへ分散する方法や、一部をCPU側のRAMへ置くオフロードです。
一般的な大規模モデル向けライブラリにはGPU、CPU、ストレージへ重みを分配する機能がありますが、その存在はLarge 4への対応を保証しません。
RAMを増やして読み込めても、計算やデータ転送が遅ければ日常利用には向きません。
CPUで処理する部分、GPUへ移す部分、メモリ帯域、GPU間通信によって速度が変わるため、「起動できる」と「実用速度で応答する」は別に測定する必要があります。
複数GPUも、搭載VRAMを単純に合算すれば終わりではありません。
モデルを分割できる粒度や通信方法、GPUごとの作業領域が関わります。
Large 4用に確認された構成と、一般論として可能な構成を分けて判断してください。
以下は、全1.05兆パラメータを同じビット数で保存するという仮定による計算です。
実測値、公式の最低要件、公開予定ファイルの容量ではありません。
1GB＝10億バイト、1GiB＝2の30乗バイトとして換算しました。
実際の量子化では、スケールなどの補助情報や、高い精度を維持する層が加わる場合があります。
4bitモデルが必ずFP16版のちょうど4分の1になるわけではなく、形式と実装が必要容量を左右します。
全載せの場合は、重みの理論容量にKVキャッシュ、活性値、作業領域などを加えたメモリを確保します。
GPUごとの分配にも制約があるため、総VRAMが理論値をわずかに上回るだけでは動作を保証できません。
オフロードの場合、必要RAMはCPU側に置く重みと追加領域で決まります。
仮に4bit相当の重み約525GBのうちGPUへ約32GBを置けたとしても、残りだけで約493GBです。
これは10進単位の引き算による説明で、実際にその分割が可能という意味ではありません。
OSやロード処理の余裕を含めず「RAM 512GBで十分」と結論付けることもできません。
SSDの容量は配布ファイルを置く場所、VRAMとRAMは実行中の処理に使う場所です。
ファイルがSSDへ収まっても、そのまま高速に推論できるとは限りません。
変換前後のファイルを両方保存すれば、ストレージにはさらに余裕が必要になります。
会話や文書の長さに応じて必要になるKVキャッシュも、重みの計算には含めていません。
Large 4の公称1Mコンテキストを自前環境で使う際の必要量は、最終アーキテクチャ、キャッシュ形式、同時処理数が分かるまで数値を断定できません。
対応する実行環境ではコンテキストや同時処理数を抑え、実測しながら調整する方法が一般的です。
手元のPCでLarge 4の品質を確認したいなら、APIが現実的です。
大型GPUの購入前に、実際の作業で役立つかを調べられます。
入力データの保存・利用条件を確認し、課金上限や出力長を設定して試してください。
APIの比較では100万トークン当たりの単価だけでなく、課題を終えるまでの呼び出し回数を見ます。
推論やツール実行で再試行が増えると、安い単価でも総額が増える可能性があります。
ウェイト公開後にクラウドGPUを借りるなら、予約前に必要な構成と実行イメージを確認しましょう。
GPU代のほか、ストレージ、ウェイトの転送、停止中の課金、起動準備の時間も費用へ含めます。
公開前に機材の台数を決め打ちする段階ではありません。
量子化モデルを選ぶ場合は、元ウェイトの版、変換方法、ライセンス、対応する画像処理、推論設定を確認します。
低ビット化した結果の品質は別に評価し、元モデルのベンチマークをそのまま期待しないでください。
Mistral系列ではMinistral 3に3B・8B・14Bの選択肢があります。
一方、Mistral Small 4は総119Bなので、「Small」という名前だけで個人PC向けと判断するのは適切ではありません
手元の環境へ合わせるには、使えるメモリからモデル規模を絞る方が合理的です。
まずVRAM・PC適合チェッカーで小型モデルを含む候補を確認し、ローカルLLM向けのPC・GPU・メモリ解説で構成を検討してください。
チェッカーの結果を、未公開のLarge 4の動作保証として扱うことはできません。
機密データを扱う場合、ウェイトを手元に置くだけで運用上の問題が解決するわけではありません。
モデルを接続する検索先や外部ツール、ログの保存場所まで含めて管理範囲を確認します。
公開後の自前実行を検討する企業は、モデル評価とインフラ評価を並行して進めると導入判断がしやすくなります。
自分のPCで使いたい人は、アクティブ数より先に総パラメータ数と保存形式を見てください。
現時点ではAPIで用途への適合性を試し、ローカルの日常作業には手元の容量に合う公開済みモデルを選ぶのが現実的です。
Large 4の自前実行を検討する際は、ウェイト公開後に配布先とチェックポイント、ライセンス、量子化ファイルの容量、対応ツールを確認します。
そのうえで、使いたいコンテキスト長と画像入力の条件を固定し、メモリ使用量・応答速度・出力品質を測ってから機材やクラウド構成を決めましょう。
.png){kind=logo}
