Mistral: Mistral Large 4

Mistral Large 4 is een tekstgeneratiemodel van Mistral, vermeld op api14 onder de model-id mistralai/mistral-large-4-0. Het valt in de categorie tekst en wordt door de provider beschreven als een frontier multimodaal model gebouwd voor redeneren, coderen en agentische workloads. Als je al met Mistral-modellen werkt, is dit de grote, algemene optie in die lijn.

Het model accepteert tekst en afbeeldingen als invoer en retourneert tekst. Het contextvenster is 1.048.576 tokens en de maximale uitvoerlengte is 262.144 tokens. Die combinatie van een zeer groot invoervenster en een groot uitvoerbudget betekent dat je lange documenten, codebases of gespreksgeschiedenissen met meerdere beurten in één verzoek kunt sturen en toch ruimte overhoudt voor een substantieel gegenereerd antwoord. Afbeeldingsinvoer wordt naast tekst ondersteund, dus prompts kunnen geschreven instructies met visueel materiaal combineren.

De genoemde focus op redeneren, coderen en agentische workloads komt overeen met een paar praktische patronen. Redeneren met een lange context past bij taken waarbij het model een grote hoeveelheid materiaal tegelijk in beeld moet houden, zoals het beoordelen van een repository, het samenvatten van of queryen in uitgebreide documentatie, of het doorlopen van een analyse in meerdere stappen zonder op te delen in stukken. Coderingstaken profiteren zowel van de contextgrootte als van het uitvoerbudget, omdat gegenereerde code en uitleg lang kunnen zijn. Agentisch gebruik volgt uit toolondersteuning: het model kan tools en een tool_choice-beleid krijgen, wat je nodig hebt voor workflows waarin het model beslist wanneer het een externe functie aanroept. Afbeeldingsinvoer breidt dit uit naar prompts met screenshots, diagrammen of gescande pagina's.

Je roept het model aan via de OpenAI-compatibele API van api14 met de model-id mistralai/mistral-large-4-0, dus bestaande OpenAI-clientbibliotheken werken met een wijziging van de base-URL en de modelnaam. De ondersteunde aanvraagparameters zijn frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, reasoning_effort, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_logprobs en top_p. In de praktijk dekt dat sampling-instellingen (temperature, top_p, frequency- en presence-penalties, seed, stop), uitvoerlengte (max_tokens), gestructureerde antwoorden (response_format en structured_outputs), inspectie op tokenniveau (logprobs en top_logprobs) en toolgebruik (tools en tool_choice). De parameters die met redeneren te maken hebben (reasoning, reasoning_effort, include_reasoning) laten je het redeneergedrag van het model sturen en zichtbaar maken waar je dat nodig hebt.

Er zijn geen vermelde beperkingen in de feiten hierboven naast de modaliteitssplitsing: invoer kan tekst of een afbeelding zijn, maar uitvoer is alleen tekst, dus dit is geen model voor het genereren van afbeeldingen. De context van 1M tokens en het uitvoerplafond van 262.144 tokens zijn groot, maar als je workload korte prompts met strakke latentie- of kostenbeperkingen betreft, kan een kleiner model beter passen. Voor redeneren met een lange context, coderen en toolgestuurde agentflows is Mistral Large 4 de passende keuze in dit aanbod.