Mistral AI membuka bobot model unggulannya, Mistral Large 4, pada 29 Oktober 2026. Model yang dijuluki Le Chonk itu sebelumnya hanya bisa dipakai lewat API sejak diperkenalkan 6 Oktober 2026, dan kini siapa pun bisa mengunduh, menjalankan, serta memodifikasinya di server sendiri, termasuk instansi pemerintah dan perusahaan di Indonesia.
Model kelas atas jarang dilepas bobotnya. Perusahaan AI biasanya menjaga model terbaik mereka tetap di balik API berbayar karena di situlah nilai bisnisnya. Kini salah satu model terdepan dari Eropa itu tersedia sebagai berkas yang bisa diunduh. Bagi organisasi yang selama ini ragu memakai AI awan, pilihan menjalankan model di dalam negeri jadi lebih terbuka.
Apa yang dirilis Mistral
Mistral Large 4 adalah model Mixture-of-Experts (MoE) multimodal. Ia menerima teks dan gambar, lalu menghasilkan teks. Spesifikasi utamanya:
- 1,05 triliun parameter total, tetapi hanya sekitar 49 miliar parameter yang aktif per token, kombinasi yang menjaga biaya komputasi tetap terkendali.
- Konteks hingga 1 juta token, cukup untuk menelan dokumen setebal ratusan halaman dalam satu percakapan.
- Dua varian resmi: FP8 dan NVFP4, ditambah kuantisasi GGUF dari Unsloth dan tim llama.cpp.
- Lisensi Mistral Ecosystem Open-Weight License, turunan lisensi MIT dengan pembatasan bagi pihak yang menjual ulang model sebagai layanan.
Menurut Mistral, model ini dilatih di pusat data Eropa mereka sendiri memakai 3.800 GPU NVIDIA Grace Blackwell. Dukungan hari pertama sudah tersedia di transformers, vLLM, dan llama.cpp, termasuk fine-tuning lewat TRL.
Kemampuan siber jadi nilai jual utama
Yang membedakan Le Chonk dari model terbuka lain adalah penekanan pada keamanan siber defensif. Pada Artificial Analysis Cyber Index, Mistral Large 4 mencatat 82% pada uji reproduksi dan penambalan kerentanan. Tugasnya: mereproduksi celah keamanan nyata di perangkat lunak sumber terbuka, lalu memperbaikinya.
Menurut Mistral, sejumlah model tertutup terdepan mendapat skor mendekati nol pada uji yang sama karena menolak mengerjakan tugas tersebut. Pada Cybench, kumpulan 40 tantangan dari kompetisi keamanan, model ini menyelesaikan 93%. Ketahanan terhadap serangan prompt injection diukur 93,3% pada benchmark B3 milik Lakera.
Untuk coding, skornya 61,7% di DeepSWE v1.1 dan 28,3% di Terminal-Bench 4. Coding Agent Index gabungannya 49,8%, di atas DeepSeek V4 Pro 0813 dan Qwen3.8 Max menurut pengukuran Hugging Face. Secara keseluruhan, per 29 Oktober 2026 model ini berada di lima besar model berbobot terbuka pada indeks kecerdasan Artificial Analysis.
Seberapa berat untuk dijalankan sendiri
Ini bagian yang perlu dicermati sebelum berniat memasangnya di kantor. Model 1 triliun parameter tidak bisa dijalankan di server biasa. Kuantisasi 2-bit (Q2_K) masih butuh satu komputer Apple Silicon Ultra dengan RAM terpadu 512 GB. Pada konfigurasi itu kecepatan generasinya sekitar 15 token per detik, cukup untuk uji coba, tidak untuk melayani banyak pengguna.
Untuk produksi, Hugging Face menyediakan resep Inference Endpoints di 8 GPU NVIDIA H200. Resep itu melayani konteks hingga 131 ribu token dan sekitar 16 permintaan bersamaan. Artinya, adopsi penuh masih menuntut investasi GPU kelas atas atau menyewa penyedia inferensi.
Dampaknya bagi pengguna di Indonesia
Pemerintah daerah dan desa. Banyak instansi masih menahan diri memakai AI awan karena dokumen anggaran, data kependudukan, dan surat dinas dianggap sensitif. Bobot terbuka memungkinkan model dijalankan di ruang kendali sendiri, sehingga data tidak keluar dari jaringan instansi. Namun kebutuhan GPU membuat opsi paling realistis adalah model turunan yang lebih kecil hasil distilasi, atau memakai penyedia inferensi dalam negeri yang menjamin lokasi data.
Sekolah dan kampus. Lisensi yang mengizinkan penggunaan dan modifikasi membuka peluang riset dan pengajaran. Mahasiswa bisa mengukur sendiri perilaku model, bukan sekadar memakai API pihak ketiga yang syaratnya berubah-ubah.
UMKM dan praktisi TI. Kemampuan siber model ini relevan bagi penyedia jasa TI yang mengerjakan audit aplikasi. Mereproduksi lalu menambal kerentanan adalah pekerjaan yang biasanya mahal dan lambat. Model yang bisa dipasang di lingkungan sendiri mengurangi ketergantungan pada API asing, terutama saat insiden, ketika akses API bisa dicabut justru di saat paling dibutuhkan.
Developer. Dukungan hari pertama di vLLM dan llama.cpp berarti model bisa diuji tanpa menulis integrasi baru. Tersedianya kuantisasi GGUF juga memungkinkan eksperimen di workstation sebelum memutuskan berlangganan GPU.
Yang perlu diwaspadai
Bobot terbuka bersifat dua arah. Kapabilitas ofensif yang memadai untuk menambal celah keamanan juga bisa dipakai mencari celah pada sistem yang tidak diizinkan. Karena itu, instansi yang mengadopsinya perlu aturan internal yang jelas: siapa yang boleh menjalankan, untuk aset mana, dan bagaimana log penggunaan disimpan. Sisi baiknya, Mistral mengklaim tingkat penolakan atas permintaan berbahaya pada model ini lebih tinggi daripada model berbobot terbuka lain yang mereka uji.
Rilis ini bukan sekadar berita teknis. Ia menandai makin dekatnya pilihan AI yang bisa dimiliki sendiri oleh instansi di Indonesia, dengan syarat kesiapan infrastruktur dan tata kelola yang tidak bisa dilewati.
Sumber: