Mistral Large 4 ra mắt: ‘Le Chonk’ hơn nghìn tỷ tham số, hướng tới AI có chủ quyền

Một mô hình hơn một nghìn tỷ tham số, được huấn luyện trong các trung tâm dữ liệu châu Âu, có khả năng làm việc với hình ảnh và dùng công cụ: đó là Mistral Large 4, được Mistral công bố ngày 06/10/2026 với biệt danh “Le Chonk”. Model ra mắt dưới dạng public preview, có API để dùng thử trên Mistral Studio; hãng hẹn phát hành trọng số vào cuối tháng.[1]

Điểm đáng quan tâm không chỉ là kích thước. ML4 thể hiện tham vọng kết hợp năng lực mô hình tuyến đầu với khả năng triển khai theo chính sách riêng của tổ chức — điều Mistral đặt trong câu chuyện AI có chủ quyền.

Phạm vi: Bài đối chiếu thông báo ra mắt, model card và trang giá ngày 06/10/2026. Các điểm benchmark dưới đây được thuật lại từ công bố của Mistral, không phải phép đo độc lập của AIDaLat. API đang ở public preview; thông số, giá và trạng thái phát hành có thể thay đổi.

1. Đã ra mắt, nhưng chưa đồng nghĩa đã phát hành trọng số

Thông báo của Mistral có hai mốc cần tách biệt:[1]

Hiện tại: public preview qua API, có thể trải nghiệm trên Mistral Studio.
Theo kế hoạch: trọng số được phát hành vào cuối tháng 10/2026, cùng thêm thông tin kiến trúc, benchmark và phương pháp post-training.

Model card gọi ML4 là mô hình “open-weight”, nhưng thông báo ra mắt nói rõ weights drop end of this month.[1][2] Vì vậy, ở thời điểm bài viết, cách diễn đạt chính xác là mô hình hướng tới phát hành trọng số mở, đang cho thử qua API — không phải “đã có weights để tự host ngay”.

Cũng không nên tự suy ra giấy phép Apache 2.0, quyền sử dụng thương mại hay toàn bộ dữ liệu huấn luyện mở. Các nguồn được đối chiếu ở đây chưa đưa ra đủ điều khoản phát hành weights để kết luận những điểm đó.

2. 1,05 nghìn tỷ tham số: lớn ở đâu, tiết kiệm ở đâu?

Thông báo ra mắt làm tròn kích thước ML4 thành 1 nghìn tỷ tham số. Model card đưa số cụ thể hơn: 1,05T tổng tham số, 49B tham số active và vision encoder 1,6B, với kiến trúc Mixture-of-Experts chi tiết.[1][2]

Thông số	Công bố hiện tại
Trạng thái	Public Preview, phiên bản v26.10
Tổng tham số	1,05T theo model card
Tham số active	49B
Vision encoder	1,6B
Context	1M token
Định hướng	Đa phương thức, instruction, reasoning và agent

Các giá trị trong bảng là thông tin từ model card; đây không phải đo đạc thực tế của AIDaLat.[2]

Trong MoE, không phải mọi tham số đều tham gia tính toán cho từng token. Tuy nhiên, 49B active không phải kích thước toàn bộ model cần lưu, cũng không phải mức RAM/VRAM tối thiểu để chạy nó.

Một phép tính minh họa: nếu lấy 1,05 nghìn tỷ tham số và lưu mỗi tham số bằng 2 byte, riêng trọng số đã vào khoảng 2,1 TB theo đơn vị thập phân. Đây chỉ là phép nhân lý thuyết, chưa tính định dạng checkpoint, vision encoder được hạch toán ra sao, KV cache, metadata hay overhead phục vụ. Không nên dùng con số này như một cấu hình phần cứng chính thức.

Thông điệp thực dụng: ML4 là mô hình quy mô hạ tầng lớn. Người dùng không có cụm GPU nên đánh giá qua API trước, thay vì hiểu “49B active” là có thể chạy toàn bộ model dễ dàng trên máy cá nhân.

3. Mistral muốn ML4 làm việc, không chỉ trả lời

Mistral mô tả ML4 là mô hình đa phương thức native, tập trung coding, quy trình agent và các công việc doanh nghiệp. Model card liệt kê structured outputs, function calling, document Q&A, chat completions, batching cùng Agents & Conversations và built-in tools.[1][2]

Coding agent và hiểu repository

Theo công bố của Mistral, ML4 đạt:[1]

61,7% trên DeepSWE v1.1.
59,4% trên SWE-Atlas-QnA.
28,3% trên Terminal-Bench 4.
49,8% ở Coding Agent Index tổng hợp.

Bài ra mắt nói các số DeepSWE, Terminal-Bench 4 và SWE-Atlas-QnA sử dụng kết quả được Artificial Analysis báo cáo.[1] AIDaLat chưa tái lập những phép thử này; khi so sánh với hệ thống riêng, cần kiểm tra agent scaffold, công cụ, ngân sách token và cách chấm điểm.

Điểm đáng chú ý là phạm vi công việc: hiểu codebase, thực hiện chuỗi thao tác terminal và hoàn thành nhiệm vụ. Tuy nhiên, điểm benchmark không thay thế việc chạy test trên dự án thật, kiểm tra diff hay review bảo mật trước khi merge.

Quy trình doanh nghiệp nhiều bước

Mistral công bố 59,9% trên AutomationBench, một bộ đánh giá gồm 657 quy trình doanh nghiệp qua các ứng dụng như Gmail, Google Sheets, Slack và Salesforce. Với AA-Briefcase, hãng nêu mức 1.393 Elo cho công việc tri thức dài hạn.[1]

Đây là những tín hiệu về khả năng điều phối công cụ và tạo deliverable. Nhưng chúng không có nghĩa model tự có quyền truy cập các ứng dụng của doanh nghiệp. Một hệ thống production vẫn cần connector, quyền tối thiểu, nhật ký thao tác và xác nhận cho các hành động nhạy cảm.

4. Thị giác: từ đọc biểu đồ đến định vị vật thể

Mistral nhấn mạnh ML4 có khả năng xử lý tài liệu phức tạp, biểu đồ, ảnh tự nhiên và kết hợp visual grounding với agent. Các demo của hãng bao gồm kiểm tra bản vẽ kỹ thuật, tìm bằng chứng trong PDF và khảo sát ảnh địa không gian rất lớn.[1]

Một số liệu cụ thể là 42% trên Dense 200, so với 41% của GPT-6 Astra trong công bố của Mistral.[1] Đây là lợi thế được báo cáo trên một bài toán visual grounding, không phải bằng chứng ML4 thắng mọi tác vụ thị giác. Chênh lệch nhỏ cũng cần được đọc cùng phương pháp đánh giá và sai số nếu có.

Với doanh nghiệp, hướng ứng dụng đáng khảo sát là:

Trợ lý kiểm tra bản vẽ và tài liệu kỹ thuật.
Hệ thống tìm bằng chứng trong báo cáo có bảng, biểu đồ và hình ảnh.
Agent phân tích một vùng ảnh, dùng công cụ zoom/crop rồi xác minh lại.

Các tình huống trên là gợi ý ứng dụng. Không nên diễn giải “đa phương thức” thành việc hỗ trợ mọi định dạng audio/video native: model card ngắn hiện tại chưa đủ chi tiết để kết luận toàn bộ giới hạn từng loại đầu vào.

5. Cybersecurity mạnh hơn, nhưng benchmark cần đọc cẩn thận

Mistral công bố ML4 thuộc nhóm năm model dẫn đầu Artificial Analysis Cyber Index, đạt 82% trong một bài kiểm tra tái hiện lỗ hổng rồi vá phần mềm, và giải được 93% thử thách Cybench — bộ 40 bài từ các cuộc thi bảo mật.[1]

Thông báo cũng giải thích một phần chênh lệch với model đóng có thể đến từ chính sách từ chối, không chỉ năng lực kỹ thuật: một số model từ chối tác vụ mà bộ đánh giá yêu cầu.[1] Điều này quan trọng khi đọc kết quả. Điểm cao hơn không tự động chứng minh mọi năng lực phòng thủ đều tốt hơn trong mọi môi trường.

Mặt khác, Mistral nêu model chống được 93,3% tấn công trong Lakera B3 AI Security Benchmark và mô tả quá trình red-team với đối tác được thẩm định trước khi phát hành weights.[1]

Hai mặt này phải đi cùng nhau: hữu ích cho nghiên cứu bảo mật hợp pháp, nhưng vẫn cần kiểm soát phạm vi. Một tổ chức muốn dùng ML4 cho security operations nên bắt đầu trong sandbox, chỉ cấp công cụ cần thiết và giữ log có thể kiểm toán. Không có điểm benchmark nào là bảo đảm miễn nhiễm prompt injection.

6. “AI có chủ quyền” nằm ở đâu?

Theo Mistral, ML4 được huấn luyện từ đầu trên 3.800 GPU NVIDIA Grace Blackwell trong các trung tâm dữ liệu của hãng ở châu Âu; public preview cũng được phục vụ trên hạ tầng đó. Dữ liệu huấn luyện đa ngôn ngữ bao phủ hơn 160 ngôn ngữ, bao gồm mọi ngôn ngữ chính thức của EU.[1]

Hãng định hướng cung cấp nhiều vùng triển khai, trong đó có vùng châu Âu do Mistral vận hành end-to-end theo luật châu Âu. Mistral cũng gắn ML4 với môi trường huấn luyện, tùy biến và RL mà khách hàng tiếp cận qua Mistral Forge.[1]

Ý nghĩa tiềm năng của weights mở là tổ chức có thêm lựa chọn về vị trí dữ liệu, chính sách vận hành và khả năng tùy biến. Nhưng khả năng tự triển khai trong tương lai khác với mức độ sẵn sàng hôm nay. Doanh nghiệp cần chờ checkpoint, giấy phép, hướng dẫn inference và yêu cầu phần cứng cụ thể trước khi chốt kế hoạch on-premise.

Hỗ trợ hơn 160 ngôn ngữ cũng không tự xác nhận chất lượng tiếng Việt trong từng lĩnh vực. Với tài liệu pháp lý, tài chính hoặc kỹ thuật Việt Nam, vẫn nên có bộ kiểm thử riêng.

7. Context 1M token và giá API: đọc đúng phiên bản nguồn

Model card nêu context 1M token.[2] Đây là dung lượng ngữ cảnh công bố, không phải bảo đảm model nhớ chính xác mọi chi tiết trong một triệu token, và không phải output limit. Với tác vụ dài, vẫn cần đánh giá khả năng truy hồi chi tiết, chi phí prefill và độ trễ.

Về giá, phần giới thiệu cuối bài công bố niêm yết 1,36 USD/triệu token input và 4,18 USD/triệu token output. Model card còn hiển thị mức 0,14 USD/triệu cached input.[1][2]

Hạng mục	Mức giá cơ sở hiển thị trên model card
Input	1,36 USD / 1 triệu token
Cached input	0,14 USD / 1 triệu token
Output	4,18 USD / 1 triệu token

Lưu ý cập nhật ngày ra mắt: model card đồng thời hiển thị một bộ giá thấp hơn — 0,68 / 0,07 / 2,09 USD — nhưng phần văn bản trích xuất chưa làm rõ chế độ giá. Trong khi đó, trang giá tổng hợp được đọc cùng ngày chưa có dòng ML4.[2][3] Vì vậy bài này không tự gán bộ giá thấp hơn cho Batch hay một ưu đãi cụ thể; hãy xác nhận trong console và điều kiện thanh toán trước khi dự toán production.

Nếu áp dụng mức cơ sở 1,36/4,18 USD, một tác vụ giả định dùng 100.000 token input không cache và 10.000 token output có phần chi phí token khoảng 0,1778 USD. Đây là phép tính minh họa, không phải hóa đơn đo thực tế; chưa bao gồm công cụ hoặc các khoản phí khác.

8. Reinforcement learning ở quy mô rất lớn

Mistral cho biết hạ tầng RL của hãng kết hợp nhiều môi trường: chat, bài toán khoa học, safety, factuality và sử dụng công cụ dài hạn. Việc xác minh có thể phối hợp reward model, unit test, LLM judge và static check.[1]

Trong mô tả quy mô hiện tại với khoảng 3.000 GPU, một training run tạo khoảng 33 tỷ token/ngày, trong đó khoảng 16 tỷ completion token có thể dùng để train sau lọc và masking. Hãng nói quá trình RL của preview vẫn đang tiếp diễn.[1]

Các con số này là thông tin Mistral công bố về pipeline huấn luyện. Chúng không phải throughput API, không cho biết tốc độ trả lời của người dùng và cũng không chứng minh cải thiện tuyến tính theo lượng compute.

Điểm đáng chú ý về phương pháp là tập trung vào kết quả của chuỗi hành động, thay vì chỉ học một câu trả lời đơn lẻ. Nhưng muốn biết điều đó chuyển thành hiệu quả sản phẩm ra sao, cần kiểm thử trên quy trình thật.

9. Nên thử ML4 như thế nào?

AIDaLat đề xuất một lộ trình đánh giá thay vì đổi toàn bộ model production ngay ngày ra mắt:

Chọn tác vụ đại diện: một bug cần sửa, một báo cáo có bảng/biểu đồ, một chuỗi công việc có công cụ.
Giữ điều kiện so sánh: cùng prompt, dữ liệu, scaffold và ngân sách chạy với model đang dùng.
Đo kết quả cuối: test có qua không, tài liệu có dẫn đúng nguồn không, file có mở được không, số liệu có khớp không.
Đo chi phí toàn chuỗi: token, retry, tool call, độ trễ và thời gian review.
Kiểm tra an toàn: dữ liệu giả lập prompt injection, quyền công cụ và các thao tác phải được xác nhận.
Chờ thông tin weights: giấy phép, định dạng checkpoint và hướng dẫn serving trước khi lên kế hoạch tự host.

Với preview, nên dùng môi trường thử riêng và theo dõi các thay đổi tài liệu. Bài này chưa chèn một tên model API suy đoán hay output minh họa giả: hãy chọn đúng định danh được Mistral Studio/API công bố tại thời điểm tích hợp.

Kết luận: một bước tiến lớn, nhưng cần tách hiện tại khỏi lời hẹn

Mistral Large 4 đưa tham vọng của Mistral lên quy mô mới: hơn một nghìn tỷ tham số, context 1M, thị giác và agent, cùng định hướng weights mở để doanh nghiệp kiểm soát cách triển khai.[1][2]

Điều có thể làm hôm nay là thử public preview và đo hiệu quả trên công việc thật. Điều chưa nên khẳng định là đã có weights tải công khai, đã rõ giấy phép hoặc đã biết chính xác hạ tầng tối thiểu để tự host.

“Le Chonk” đáng chú ý không chỉ vì lớn. Giá trị thực sẽ nằm ở việc nó hoàn thành công việc tốt đến đâu, với chi phí, quyền kiểm soát và độ tin cậy như thế nào.

Sources

[1] https://mistral.ai/news/mistral-large-4 [2] https://docs.mistral.ai/models/mistral-large-4-0 [3] https://docs.mistral.ai/inference/pricing