Intelligenz
4.1 #713
Top-93%-Stufe
Ausgabegeschwindigkeit
100 t/s
ITL 10.0 ms/tok
Blended-Preis (3:1)
$3 /1M
Input $2/M · Output $6/M
Kontext
131K
≈ 328 A4-Seiten · max. Output 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Mistral Large
Claude Mythos Preview (#1)
Average (68)
Radar-Achsen sind aus Kategorie-Scores approximiert, wo direkte Benchmark-Messungen fehlen — siehe Methodik.
Stärken & Trade-offs
Wo das Modell gewinnt
- Open weights — self-host, fine-tune and audit with no vendor lock-in
- Cheap prompt-cache reads at $0.2/1M
Killer-Anwendungsfälle
Deep research
Synthesis across broad knowledge domains with citation-grade recall.
Developer-Quickstart & API
Setzen Sie zuerst
MISTRAL_API_KEY — API-Schlüssel holencurl https://api.mistral.ai/v1/chat/completions \
-H "Authorization: Bearer $MISTRAL_API_KEY" \
-H "content-type: application/json" \
-d '{
"model": "mistral-large",
"messages": [{"role": "user", "content": "Refactor this function for O(n) time and explain the change."}]
}'import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.mistral.ai/v1",
api_key=os.environ["MISTRAL_API_KEY"],
)
resp = client.chat.completions.create(
model="mistral-large",
messages=[{"role": "user", "content": "Refactor this function for O(n) time and explain the change."}],
)
print(resp.choices[0].message.content)const res = await fetch("https://api.mistral.ai/v1/chat/completions", {
method: "POST",
headers: {
Authorization: `Bearer ${process.env.MISTRAL_API_KEY}`,
"content-type": "application/json",
},
body: JSON.stringify({
model: "mistral-large",
messages: [{ role: "user", content: "Refactor this function for O(n) time and explain the change." }],
}),
});
console.log((await res.json()).choices[0].message.content);Offizielle Ressourcen & Links
API-Bereitstellung
Hosts & Latenz vergleichen
Durchsatz, TTFT und Cache-Preise bei Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock und Azure.
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Ergebnisse nach Quelle
Kategorie-Punkte
Benchmark-Ergebnisse
Live-Spezifikationen & Architektur
Unter der Haube
- Prompt caching supported — cached input reads at $0.2/1M tokens.
Veröffentlichungsdatum
1. Jan. 2025
Parameter
Not disclosed
Lizenz
Open Weights
Kontextfenster
131,000 tokens
Max. Ausgabe
8,192 tokens
Modalitäten
text
Cache-Preise
Lesen $0.2 · Schreiben $2.5 /1M
Reasoning
—
Eingabepreis
$2/M
Ausgabepreis
$6/M
Ausgabegeschwindigkeit
100 t/s
Zeit bis zum ersten Token
—
Daten aktualisiert
14. Aug. 2026
Geschätzte Monatsrechnung
Geschätzte Monatsausgaben
$0.00
Ersparnis ggü. GPT-4o wird berechnet…
Zitieren & Einbetten
GitHub-Markdown-Badge
Loading badge markdown...BibTeX
@misc{llmpodium2026mistrallarge,
title = {Benchmark Analysis and Intelligence Evaluation of Mistral Large},
author = {LLMPodium Research},
year = {2026},
url = {https://llmpodium.com/models/mistral-large}
}Score-Badge einbetten
Fügen Sie Ihrem GitHub- oder Hugging-Face-README ein Live-Podium-Score-Badge hinzu — es verlinkt auf das Live-Ranking.
Vorschau
Markdown
Loading badge snippet...HTML
Loading badge snippet...Mehr von Mistral
Alternative Modelle
Nächste Alternativen zu Mistral Large basierend auf Leistung, Preis und Benchmarks.