Maaari ko bang patakbuhin ang Mistral Small 4 nang lokal?

Oo — bukas ang weights sa ilalim ng Apache 2.0 at makukuha sa Hugging Face sa mistralai/Mistral-Small-4-119B-2603. Naglalathala rin ang Mistral ng NVFP4 quantised checkpoint at Eagle speculative-decoding head para bawasan ang memorya at pabilisin ang takbo, pero ang 119B kabuuang parameters ay nangangailangan pa rin ng malaking hardware.

Magkano ang presyo ng Mistral Small 4 sa API?

Pinapresyo ito ng Mistral sa $0.15 kada milyon na input tokens at $0.60 kada milyon na output tokens, na may 256k token context window.

Paano naiiba ang Mistral Small 4 sa mga naunang Mistral Small models?

Pinagsasama nito ang tatlong dating hiwalay na linya ng modelo — instruct, reasoning (Magistral), at coding (Devstral) — sa isang modelo na may switchable reasoning mode, vision input, at agentic function calling, habang tumatakbo nang mas mabilis kaysa sa Mistral Small 3.

Mistral Small 4

3269°

#llm #mistralai #paningin #pangangatwiran #pag-coding #mga ahente

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Mistral | 262,144 token context | $0.15/M input, $0.60/M output. Ang Mistral Small 4 ay ang susunod na malaking release sa pamilya ng Mistral Small, pinagsasama ang mga kakayahan ng ilang pangunahing Mistral models sa isang sistema. Pinagsasama nito ang malakas na pag-iisip mula sa Magistral, multimodal na pag-unawa mula sa Pixtral, at agentic na kakayahan sa coding mula sa Devstral, na nagpapahintulot sa isang modelo na hawakan ang komplikadong pagsusuri, pagbuo ng software, at mga visual na gawain sa iisang workflow.

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Mistral Small 4 ay isang 119B mixture-of-experts model mula sa Mistral AI na pinagsasama ang reasoning, vision, at agentic coding sa isang sistema sa ilalim ng Apache 2.0 na lisensya. Sa 6.5B parameters lang ang active kada token, mas mabilis ito kaysa sa laki nito ang ipinapahiwatig, at ang 256k context window ay kayang hawakan ang mahahabang dokumento nang walang abala. Kung gusto mo ng isang bukas na weights na modelo na kayang magpalipat-lipat sa mabilis na chat at maingat na reasoning ayon sa pangangailangan, ito ay isang seryosong kandidato.

Kilalang-kilala sa

Per-request na toggle sa reasoning: mabilis na mode o maingat na reasoning, nasa iyo ang pagpili.
May built-in na vision input — maaaring mag-attach ng mga larawan para sa pagsusuri o pagkuha ng dokumento.
Native function calling at JSON output para sa agentic at tool-use workflows.
Apache 2.0 na lisensya: pinapayagan ang komersyal na paggamit, fine-tuning, at self-hosting.
40% mas mabilis na end-to-end completions at 3× throughput kumpara sa Mistral Small 3.

Mag-ingat sa

Ang 119B kabuuang parameters ay nangangailangan ng seryosong hardware para sa lokal na deployment; suriin ang VRAM bago mag-commit.
Output ay text lang — walang image generation o audio output kahit multimodal ang input.
Ang reasoning mode ay sulit lang i-enable para sa komplikadong prompts; kung palaging naka-on, nadadagdagan ang latency.

Pinakamainam para sa

Pag-coding

Mga ahente at paggamit ng tool

Pangangatwiran

Pananaw

Mahabang konteksto

Mga prompt na subukan

I-debug ang isang agent loop na pumapalya

Mayroon akong Python agent na tumatawag ng search tool, pagkatapos ay summarisation tool, pagkatapos ay nagsusulat ng ulat. Pagkatapos ng unang tawag sa tool, humihinto ito at nagbabalik ng walang laman na string. Narito ang code: [paste yours]. Ilarawan kung ano ang posibleng mali at isulat muli ang loop para matiyak na matatapos ang tatlong hakbang nang maayos.

Mag-isip ng plano nang maingat

May maliit na software team na may tatlong engineer. Engineer A ay kaya lang mag-review ng code, hindi magsulat. Engineer B ay mabilis magsulat pero madalas may bugs na nahuhuli ni A. Engineer C ay mabagal magsulat pero malinis. May kritikal na feature na kailangang matapos sa loob ng limang araw. Mag-isip nang hakbang-hakbang kung paano mag-assign ng trabaho para maipadala sa oras na may kaunting defects.

Kunin ang data mula sa isang imahe

Naka-attach ako ng screenshot ng isang invoice. Kunin ang pangalan ng vendor, numero ng invoice, mga line items kasama ang dami at presyo kada unit, subtotal, halaga ng buwis, at kabuuang babayaran. Ibalik ang resulta bilang JSON object na may eksaktong mga susi.

Ihambing sa

Mistral Large 4
Modelong API lang
1,048,576 token na konteksto · $0.68/M input, $2.09/M output
Mistral Large
Modelong API lang
128,000 token na konteksto · $2.00/M input, $6.00/M output
Mistral Medium 3.5
Modelong API lang
262,144 token na konteksto · $1.50/M input, $7.50/M output
Mistral Medium 3
Modelong API lang
131,072 token na konteksto · $0.40/M input, $2.00/M output

Higit pang mga text model mula sa mistralai

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Mistral Small 4 nang lokal?: Oo — bukas ang weights sa ilalim ng Apache 2.0 at makukuha sa Hugging Face sa mistralai/Mistral-Small-4-119B-2603. Naglalathala rin ang Mistral ng NVFP4 quantised checkpoint at Eagle speculative-decoding head para bawasan ang memorya at pabilisin ang takbo, pero ang 119B kabuuang parameters ay nangangailangan pa rin ng malaking hardware.
Magkano ang presyo ng Mistral Small 4 sa API?: Pinapresyo ito ng Mistral sa $0.15 kada milyon na input tokens at $0.60 kada milyon na output tokens, na may 256k token context window.
Paano naiiba ang Mistral Small 4 sa mga naunang Mistral Small models?: Pinagsasama nito ang tatlong dating hiwalay na linya ng modelo — instruct, reasoning (Magistral), at coding (Devstral) — sa isang modelo na may switchable reasoning mode, vision input, at agentic function calling, habang tumatakbo nang mas mabilis kaysa sa Mistral Small 3.

Hatol ng Kapitan
Isang bihirang bukas na weights na generalist na sulit sa coding, vision, at reasoning nang hindi mo kailangang mag-juggle ng tatlong magkahiwalay na modelo.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Mistral Small 4 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm mistralai paningin pangangatwiran pag-coding mga ahente mahabang konteksto

Mag-browse ayon sa pamilya ng model