Kan jag köra Mistral Small 4 lokalt?

Ja — vikterna är öppna under Apache 2.0 och finns på Hugging Face under mistralai/Mistral-Small-4-119B-2603. Mistral publicerar också en NVFP4-kvantiserad checkpoint och ett Eagle spekulativt avkodningshuvud för att minska minnesanvändning och öka hastigheten, men 119B totala parametrar kräver fortfarande betydande hårdvara.

Vad kostar Mistral Small 4 via API?

Mistral tar $0,15 per miljon inmatningstoken och $0,60 per miljon utmatningstoken, med ett 256k token kontextfönster.

Hur skiljer sig Mistral Small 4 från tidigare Mistral Small-modeller?

Den slår ihop tre tidigare separata modellserier — instruct, resonemangs- (Magistral) och kodningsfamiljerna (Devstral) — till en modell med växlingsbart resonemangsläge, visionsinmatning och agentfunktioner, samtidigt som den kör betydligt snabbare än Mistral Small 3.

Mistral Small 4

3269°

#llm #mistralai #vision #resonemang #kodning #agenter

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Mistral | 262,144 token kontext | $0.15/M input, $0.60/M output. Mistral Small 4 är den nästa stora releasen i Mistral Small-familjen, som förenar kapaciteterna från flera flaggskeppsmodeller från Mistral till ett enda system. Den kombinerar starkt resonemang från Magistral, multimodal förståelse från Pixtral och agentbaserade kodningsförmågor från Devstral, vilket möjliggör att en modell kan hantera komplex analys, mjukvaruutveckling och visuella uppgifter inom samma arbetsflöde.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Mistral Small 4 är en 119B mixture-of-experts-modell från Mistral AI som kombinerar resonemang, vision och agentkodning i ett system under Apache 2.0-licens. Med endast 6,5 miljarder aktiva parametrar per token kör den snabbare än vad storleken antyder, och det 256k stora kontextfönstret hanterar långa dokument utan problem. Om du vill ha en enda öppen viktsmodell som kan växla mellan snabb chatt och genomtänkt resonemang på begäran är detta en seriös kandidat.

Känd för

Resonemangsväxling per förfrågan: snabbt läge eller genomtänkt resonemang, du bestämmer.
Inbyggt visionsinmatning — bifoga bilder för analys eller dokumentutvinning.
Inbyggd funktionsanrop och JSON-utmatning för agent- och verktygsarbetsflöden.
Apache 2.0-licens: kommersiell användning, finjustering och självhosting tillåtet.
40 % snabbare slutföranden och 3× högre genomströmning än Mistral Small 3.

Se upp för

119B totala parametrar innebär att lokal distribution kräver seriös hårdvara; kontrollera VRAM innan du bestämmer dig.
Utmatning är endast text — ingen bildgenerering eller ljud trots multimodal inmatning.
Resonemangsläget är bara värt att aktivera för komplexa prompts; att ha det på som standard ökar latensen.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Syn

Lång kontext

Promptar att prova

Debugga en felande agentloop

Jag har en Python-agent som anropar ett sökverktyg, sedan ett summeringsverktyg och sedan skriver en rapport. Efter det första verktygsanropet slutar den och returnerar en tom sträng. Här är koden: [klistra in din]. Gå igenom vad som sannolikt går fel och skriv om loopen så att den genomför alla tre steg pålitligt.

Resonera kring en klurig plan

Ett litet mjukvaruteam har tre ingenjörer. Ingenjör A kan bara granska kod, inte skriva den. Ingenjör B skriver snabbt men introducerar buggar som A hittar. Ingenjör C skriver långsamt men noggrant. En kritisk funktion ska levereras om fem dagar. Resonera steg för steg hur arbetet ska fördelas för att leverera i tid med så få fel som möjligt.

Extrahera data från en bild

Jag bifogar en skärmdump av en faktura. Extrahera leverantörens namn, fakturanummer, artikelrader med kvantiteter och enhetspriser, delsumma, skattebelopp och totalbelopp. Returnera resultatet som ett JSON-objekt med exakt dessa nycklar.

Jämför med

Mistral Large 4
Endast API-modell
1,048,576 tokens kontext · $0.68/M indata, $2.09/M utdata
Mistral Large
Endast API-modell
128,000 tokens kontext · $2.00/M indata, $6.00/M utdata
Mistral Medium 3.5
Endast API-modell
262,144 tokens kontext · $1.50/M indata, $7.50/M utdata
Mistral Medium 3
Endast API-modell
131,072 tokens kontext · $0.40/M indata, $2.00/M utdata

Fler textmodeller från mistralai

Vanliga frågor

Kan jag köra Mistral Small 4 lokalt?: Ja — vikterna är öppna under Apache 2.0 och finns på Hugging Face under mistralai/Mistral-Small-4-119B-2603. Mistral publicerar också en NVFP4-kvantiserad checkpoint och ett Eagle spekulativt avkodningshuvud för att minska minnesanvändning och öka hastigheten, men 119B totala parametrar kräver fortfarande betydande hårdvara.
Vad kostar Mistral Small 4 via API?: Mistral tar $0,15 per miljon inmatningstoken och $0,60 per miljon utmatningstoken, med ett 256k token kontextfönster.
Hur skiljer sig Mistral Small 4 från tidigare Mistral Small-modeller?: Den slår ihop tre tidigare separata modellserier — instruct, resonemangs- (Magistral) och kodningsfamiljerna (Devstral) — till en modell med växlingsbart resonemangsläge, visionsinmatning och agentfunktioner, samtidigt som den kör betydligt snabbare än Mistral Small 3.

Kaptens omdöme
En sällsynt öppen vikts generalist som gör sig förtjänt av sin plats över kodning, vision och resonemang utan att du behöver jonglera tre separata modeller.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Mistral Small 4 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm mistralai vision resonemang kodning agenter lång kontext

Bläddra efter modellfamilj