KI-Update Deep-Dive: Wie Mistral mit ML4 im KI-Rennen aufholen will

1. KI-Update Deep-Dive: Wie Mistral mit ML4 im KI-Rennen aufholen will
   • ML4 soll den Abstand zur Spitze verkürzen
   • Wer von einem Billionen-Modell profitiert
   • Reinforcement Learning und eigene Rechenzentren
   • Cybersicherheit als Schwerpunkt
   • „Nur Monate“ hinter der Spitze
   • Modellentwickler und Plattform zugleich
   • Souveränität ist mehr als ein Verkaufsargument

ML4 soll den Abstand zur Spitze verkürzen

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.

Wer von einem Billionen-Modell profitiert

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.

Reinforcement Learning und eigene Rechenzentren

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 einzustellen.“ Zwischen der Preview am 6. Oktober und der Open-Weights-Version legte ML4 deutlich zu. Zudem verbraucht die finale Version 50 Prozent weniger Token bei gleicher Intelligenz.

Cybersicherheit als Schwerpunkt

Cybersicherheit nennt Stock eine bewusste „Wette“. Die Zahl bekannter Schwachstellen wachse exponentiell, und ML4 eigne sich dazu, Lücken zu finden, bevor andere es tun. Offene Gewichte sicherten die Geschäftskontinuität: „Stellen Sie sich vor, Sie wehren gerade einen Angriff ab, und plötzlich wird Ihr Zugang gesperrt. Dann sind Sie erledigt.“ Das Missbrauchsrisiko bestreitet er nicht. ML4 lehne bösartige Aktionen in Benchmarks deutlich häufiger ab als chinesische Konkurrenzmodelle. Das sei aber „kein Zaubermittel“, denn Schutzmechanismen ließen sich aushebeln. Der Aufwand dafür solle so hoch sein wie das Training eines eigenen Modells.

Auf Benchmarks solle man sich nicht zu sehr fixieren: „Jeder Benchmark lässt sich austricksen.“ Wichtiger sei, Modelle nie allein einzusetzen, sondern von einem ebenso leistungsfähigen Modell überwachen zu lassen. „KI ist wie Software, man kann sie kontrollieren. Ich sage nicht, dass das einfach ist, aber es ist möglich.“

„Nur Monate“ hinter der Spitze

Bei agentischen Tests, in denen Modelle Aufgaben selbstständig planen und ausführen, sprang ML4 gegenüber dem Vorgänger von gut 6 auf knapp 60 Prozent gelöste Aufgaben. Stock führt das auf das Reinforcement Learning zurück. Ziel sei eine „Flugzeit“ von Stunden, bei ML5 womöglich von Tagen. Beim Coding räumt er ein, dass ML4 hinter den besten Modellen liegt: „Die anderen haben derzeit hundertmal mehr Ressourcen als wir.“ Zugleich sei ML4 besser als Anthropics Opus 4.8, das Ende Mai herauskam. „Wir liegen nur Monate hinter unseren Konkurrenten.“

Beim Datenschutz setzt das Unternehmen auf Zero Data Retention, also das Nichtspeichern von Kundendaten. Diese Garantie sei „entscheidend“. Auf dieser Basis bietet Mozilla im Smart Window von Firefox, derzeit in der Beta, Mistral Small 4 als eines von mehreren Modellen an.

Empfohlener redaktioneller Inhalt

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.

Modellentwickler und Plattform zugleich

Mistral wird nach der jüngsten Finanzierungsrunde, die drei Milliarden Euro einbrachte, mit über 21 Milliarden Euro bewertet und öffnet seine Plattform für Modelle Dritter, etwa das chinesische GLM-5.3. Stock betont, die eigenen Modelle blieben im Mittelpunkt. Das Angebot fremder Modelle diene dazu, einen größeren Teil der Tokennachfrage abzudecken und so mehr in Rechenzentren zu investieren, von denen ein Teil in die Forschung fließe. „Unser Ziel ist es, sowohl Cloud-Anbieter als auch Frontier-Lab zu sein.“ Dass zeitweise ein chinesisches Modell besser war als das eigene, sei zudem eine gute Motivation für die Forschenden gewesen.

Doch das bedeutet nicht, dass sich Mistral vom KI-Entwickler hin zu einer Infrastrukturplattform wandelt. „Die Modelle stehen weiterhin im Mittelpunkt. Wir sind ein Frontier-Lab und wollen Spitzenmodelle trainieren. Das steht fest.“ Auch den Chatbot Le Chat entwickelt Mistral weiter, vor allem als Einstiegspunkt für Unternehmenskunden und als Experimentierfeld. Dort testet das Labor etwa Audiomodelle wie Voxtral, Spezialmodelle für Texterkennung oder einen Admin-Bereich. Er stellt sicher, dass der Chatbot in Unternehmen nur auf Dokumente zugreift, für die der jeweilige Nutzer freigegeben ist.

Souveränität ist mehr als ein Verkaufsargument

Zur Frage, wie aus Absichtserklärungen wie der von Deutschland, Frankreich, SAP und Mistral vor etwa einem Jahr konkrete Projekte werden, nennt Stock ein Beispiel aus der Autoindustrie: Mit ML4 ließen sich bei Crashtests physikalische Größen an jedem Punkt des simulierten Autos vorhersagen und „hundertmal mehr Crashtests“ durchführen. Das Modell könne zudem die Position von Sitzen oder Türen anpassen. Ein echter Crashtest bleibe am Ende nötig, aber der Entwicklungszyklus sei drastisch beschleunigt. Solche Projekte laufen laut Stock bereits mit deutschen Unternehmen.

Zur Debatte, ob Europa sich auf KI-Anwendungen statt auf eigene Spitzenmodelle konzentrieren sollte, wie es EU-Kommissionspräsidentin Ursula von der Leyen eher nahelegt, bezieht Mistral klar Stellung. CEO Arthur Mensch hatte das als Kapitulation bezeichnet und Stock ergänzt: „Wenn wir die Spitzenmodelle aufgeben, verabschieden wir uns im Grunde von der Idee, dass Europa als Supermacht in Zukunft noch etwas zu sagen hat.“ Er stellt den Zugang zu Intelligenz, also zu Token, auf eine Stufe mit dem Zugang zu Strom. Ohne lokale Stromproduktion wäre die industrielle Revolution gescheitert, argumentiert er. Von der Politik fordert er daher Unterstützung beim Aufbau von Rechenzentren und Kapazitäten. „Wir haben bewiesen, dass wir effizienter sind als die Konkurrenz, und trotzdem brauchen wir zehnmal mehr Ressourcen.“

(igr)