Intelligence
4.1 #713
Niveau top 93%
Vitesse Sortie
100 t/s
ITL 10.0 ms/tok
Prix mixte (3:1)
$3 /1M
Entrée $2/M · Sortie $6/M
Contexte
131K
≈ 328 pages A4 · sortie max 8,192
Quality Domain Radar
6-Axis Frontier Evaluation vs Category Average & Flagship
Mistral Large
Claude Mythos Preview (#1)
Average (68)
Les axes du radar sont approximés depuis les scores par catégorie lorsque les mesures directes manquent — voir Méthodologie.
Points forts & compromis
Là où il gagne
- Open weights — self-host, fine-tune and audit with no vendor lock-in
- Cheap prompt-cache reads at $0.2/1M
Cas d'usage clés
Deep research
Synthesis across broad knowledge domains with citation-grade recall.
Démarrage rapide développeur & API
Définissez d’abord
MISTRAL_API_KEY — obtenir une clé APIcurl 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);Ressources & liens officiels
Déploiement API
Comparer hôtes et latence
Débit, TTFT et tarifs de cache chez Groq, Cerebras, Together, DeepInfra, Fireworks, Bedrock et Azure.
GroqCerebrasTogether AIDeepInfraFireworks AIAWS BedrockAzure AI
Scores par Source
Scores par Catégorie
Résultats de Benchmarks
Specs en direct & architecture
Sous le capot
- Prompt caching supported — cached input reads at $0.2/1M tokens.
Date de Sortie
1 janv. 2025
Paramètres
Not disclosed
Licence
Open Weights
Fenêtre de Contexte
131,000 tokens
Sortie max
8,192 tokens
Modalités
text
Tarifs du cache
lecture $0.2 · écriture $2.5 /1M
Raisonnement
—
Prix Entrée
$2/M
Prix Sortie
$6/M
Vitesse Sortie
100 t/s
Temps au Premier Token
—
Données mises à jour
14 août 2026
Facture mensuelle estimée
Dépense mensuelle estimée
$0.00
Calcul des économies vs GPT-4o…
Citer et intégrer
Badge Markdown GitHub
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}
}Intégrer le badge de score
Ajoutez un badge Podium Score en direct à votre README GitHub ou Hugging Face — il renvoie vers le classement en direct.
Aperçu
Markdown
Loading badge snippet...HTML
Loading badge snippet...Plus de Mistral
Modèles alternatifs
Meilleures alternatives à Mistral Large selon les capacités, le prix et les benchmarks.