// HEISE ONLINE — INTELLIGENZA ARTIFICIALE
KI-Update Deep-Dive: Wie Mistral mit ML4 im KI-Rennen aufholen will
Mistrals wissenschaftlicher Leiter Pierre Stock erklärt im Podcast, wie das neueste Modell ML4 entstand und warum Offenheit für Europas Souveränität zählt.
Mit Ihrer Zustimmung wird hier ein externer Podcast (Podigee GmbH) geladen.
Ich bin damit einverstanden, dass mir externe Inhalte angezeigt werden.
Damit können personenbezogene Daten an Drittplattformen (Podigee GmbH) übermittelt werden.
Mehr dazu in unserer
Datenschutzerklärung.
Das französische KI-Labor Mistral hat am 29. Oktober 2026 die Gewichte seines neuesten Modells ML4 veröffentlicht. Gewichte sind die Parameter, die ein Modell beim Training lernt; werden sie offen bereitgestellt, kann jeder das Modell selbst betreiben und anpassen. ML4 ist nach Angaben von Mistral sein bislang größtes und fortschrittlichstes Modell. Es soll den Abstand zu Open-Weight-Spitzenmodellen wie Qwen von Alibaba, Gemma von Google oder Kimi von Moonshot AI verkürzen. Im Podcast erzählt Pierre Stock, Vice President of Science bei Mistral, vom Entwicklungsprozess, dem Wettbewerb mit US-amerikanischen und chinesischen Firmen und dem Stellenwert eigener Frontier-Modelle für die Souveränität Europas.
Intern heißt das Modell „Le Chonk“, denn es hat eine Billion Parameter, von denen pro Token, also pro Wortbaustein, 49 Milliarden aktiv sind. „Es ist ein ziemlicher Brocken, daher der Name ‚Chonk‘“, sagt Stock. Das Modell leitet jedes Token an verschiedene Teilnetze, sogenannte Experten, weiter. Das Training sei aufwendig, dafür sei die Anwendung „extrem effizient“. Laut Stock ist ML4 derzeit das beste Open-Weight-Modell für Coding und Cybersicherheit. Mistrals veröffentlichte Benchmarks stützen das teilweise: Im Artificial Analysis Coding Agent Index erreicht ML4 48 Prozent und liegt damit praktisch gleichauf mit GLM-5.3 von Z.ai. Im CyberGym-E2E-Benchmark kommt es auf 79 Prozent, gleichauf mit Xiaomis MiMo-V2.6-Pro.
Doch wer kann ein Modell dieser Größe überhaupt selbst betreiben? Stock verweist darauf, dass ML4 dreimal kleiner sei als Kimi K3. Außerdem beherrsche Mistral die Quantisierung, also das Verkleinern von Modellen durch geringere Zahlengenauigkeit. In FP4 quantisiert, lasse sich ML4 auf vier GPUs vom Typ GB300 betreiben. Das sei „natürlich immer noch viel“, aber ein Budget, das sich Hochschulen und Forschungslabore leisten könnten.
Für Unternehmen liege der Vorteil offener Gewichte darin, dass „niemand einem den Zugang abschneiden kann“. Mistral spiele das Modell im Ökosystem der Kunden auf deren eigenen GPUs ein; danach sehe Mistral weder das Modell noch die Daten. „Das macht die Fehlersuche ziemlich kompliziert, aber dafür haben wir die passenden Werkzeuge.“
Mittelfristig plant das Labor eine Modellfamilie: „Wir starten immer mit dem großen Modell, weil man es danach in kleinere Modelle destillieren kann.“ Dabei wird das Wissen eines großen Modells in ein kleineres übertragen. Einfache, wiederkehrende Aufgaben könnten dann an kleine Modelle gehen, schwierige an große.
Wie intelligent ist Künstliche Intelligenz eigentlich? Welche Folgen hat generative KI für unsere Arbeit, unsere Freizeit und die Gesellschaft? Im "KI-Update" von Heise bringen wir Euch gemeinsam mit The Decoder dreimal die Woche Updates zu den wichtigsten KI-Entwicklungen. Freitags beleuchten wir mit Experten die unterschiedlichen Aspekte der KI-Revolution.
Zwischen der Veröffentlichung des Vorgängermodells und ML4 lagen zehn Monate. Stock nennt für diese vergleichsweise lange Zeit zwei Gründe. Erstens baute Mistral eigene Rechenzentren in Frankreich. ML4 wurde dort trainiert, „mit nur zehn Megawatt Leistung. Das ist lächerlich wenig im Vergleich zu dem, was unsere Konkurrenten haben“. Zweitens setzte das Labor auf Reinforcement Learning, also Lernen durch Belohnung. Stock vergleicht das mit einem Studenten in einer Prüfung: Das Modell löst Aufgaben selbstständig und wird belohnt, wenn es sie ganz oder teilweise löst. „Die ganze Kunst liegt darin, den Schwierigkeitsgrad der Fragen richtig einzustelle