Mistral Large 4 (Le Chonk): wat kun je ermee?Leestijd: maximaal 17 minuten

Mistral Large 4, ook bekend als Le Chonk, is een AI-model dat tekst en afbeeldingen kan begrijpen en tekst kan produceren. Het is vooral interessant voor organisaties die AI willen inzetten voor software, documentanalyse en taken met meerdere stappen. De opvallendste eigenschap is niet alleen zijn omvang: de modelgewichten zijn beschikbaar, waardoor organisaties het ook op eigen infrastructuur kunnen gebruiken. Maar wanneer is dat nuttig? En wanneer haal je vooral extra werk in huis?

Wat maakt Mistral Large 4 anders dan een gewone chatbot?

Een chatbot is wat je op je scherm ziet. Een AI-model is de technologie die daarachter kan zitten. Dat onderscheid lijkt klein, maar bepaalt wat je van Le Chonk mag verwachten.

Mistral introduceerde het model op 6 oktober 2026 als publieke preview. Op 29 oktober 2026 volgden de downloadbare gewichten van een verder verbeterde versie. Artikelen die zeggen dat zelf hosten “later deze maand” mogelijk wordt, beschrijven dus de eerdere situatie.

Met die gewichten krijgen organisaties toegang tot de getrainde instellingen van het model. Ze kunnen daarmee een eigen toepassing bouwen, het model aanpassen en kiezen waar het draait, binnen de licentievoorwaarden. Dat is iets anders dan alleen een account openen bij een online AI-dienst.

Denk aan een keuken tegenover een restaurant. Een restaurant levert een complete ervaring. Met een professionele keuken kun je zelf bepalen wat je maakt, maar je moet ook zorgen voor de inrichting, de mensen en de kwaliteitscontrole.

Zo werkt het hier ook. Het model is een krachtig onderdeel. Een prettig werkende toepassing vraagt daarnaast om een interface, goede informatiebronnen, toegangsrechten en controle.

Onze kijk bij WegwijsAI: beoordeel een nieuw model niet alleen op het antwoord dat eruit komt. Kijk ook naar alles wat nodig is om dat antwoord betrouwbaar te gebruiken.

MISTRAL LARGE 4 GESCHIKTHEIDSSCAN

Past Le Chonk bij jouw situatie?

Beantwoord enkele vragen en ontdek of Mistral Large 4 waarschijnlijk relevant is voor jouw werk, projecten of organisatie.

Stap 1 van 6

Wat kun je ermee in de praktijk?

Le Chonk ondersteunt tekst- en beeldinvoer en geeft tekst terug. Het kan dus bijvoorbeeld een document of afbeelding analyseren, maar is zelf geen beeldgenerator. De documentatie noemt daarnaast ondersteuning voor hulpmiddelen en gestructureerde antwoorden, waarmee ontwikkelaars het in grotere werkprocessen kunnen opnemen.

Voor organisaties zijn vooral deze toepassingen interessant:

• informatie uit verschillende documenten naast elkaar leggen;
• softwarecode uitleggen en wijzigingen voorstellen;
• een afbeelding, grafiek of technische tekening helpen interpreteren;
• een interne assistent bouwen rond goedgekeurde bedrijfsinformatie;
• meerdere stappen in een taak ondersteunen, met controlepunten tussendoor.

Dat zijn mogelijkheden, geen garantie dat iedere toepassing direct goed werkt. De kwaliteit hangt ook af van de aangeleverde informatie en de manier waarop de toepassing is ingericht.

Een document begrijpen is meer dan een samenvatting maken

Neem een fictief Nederlands installatiebedrijf. Een werkvoorbereider krijgt een handleiding, een onderdelenlijst en een foto van een typeplaatje. De vraag is niet: “Vat dit samen.” De vraag is: “Welke onderdelen lijken bij deze uitvoering te horen, en wat moeten we nog controleren?”

Een bruikbare AI-assistent koppelt informatie aan elkaar. Maar hij moet ook zichtbaar maken waar twijfel zit. Een onleesbaar typenummer mag niet veranderen in een overtuigend verzonnen onderdeelnummer.

Daar zit de praktische waarde: niet alleen sneller lezen, maar sneller ontdekken welke informatie nog ontbreekt. De medewerker blijft degene die de uitkomst controleert voordat iemand iets bestelt of uitvoert.

Een groot werkgeheugen is geen perfect geheugen

De officiële documentatie noemt een contextvenster van maximaal één miljoen tokens. Tokens zijn de stukjes tekst waarmee een model rekent. De beschikbare ruimte kan per aanbieder verschillen.

Die capaciteit maakt lange invoer mogelijk. Toch moet je onderscheid maken tussen informatie kunnen aanbieden en informatie consequent goed gebruiken.

Vergelijk het met een vergadertafel vol dossiers. Alles ligt binnen bereik, maar daarmee is nog niet duidelijk welk document leidend is. Geef daarom aan welke versie actueel is, welke bronnen voorrang hebben en waar het antwoord op gebaseerd moet worden.

Eén biljoen parameters: waarom groter niet automatisch beter is

Mistral beschrijft het model als een systeem met ongeveer één biljoen parameters. De documentatie specificeert circa 1,05 biljoen in totaal en ongeveer 52 miljard actieve parameters, inclusief bepaalde invoer- en uitvoerlagen.

Parameters zijn aangeleerde instellingen. Ze zijn geen losse feiten en ook geen medewerkers die elk een onderwerp kennen. Het aantal vertelt iets over de omvang van het model, maar niet rechtstreeks hoe goed jouw opdracht wordt uitgevoerd.

Een grotere gereedschapskist maakt iemand niet automatisch een betere vakman. De keuze van het gereedschap, de ervaring en de controle op het resultaat blijven belangrijk.

Bij AI geldt iets vergelijkbaars. Training, beschikbare context, gebruikte hulpmiddelen en de opdracht bepalen samen de uitkomst. Daarom is “meer parameters” geen voldoende aankoopargument.

Het eerste tegenintuïtieve inzicht: voor een kleine, vaste taak kan een kleiner model de betere keuze zijn. Niet omdat het overal slimmer is, maar omdat het voldoende kwaliteit kan leveren met minder beheer en minder rekenwerk.

Hoe werkt Mixture of Experts?

Le Chonk gebruikt een aanpak die Mixture of Experts heet. Daarbij wordt per tekststap slechts een deel van het grote model actief. De modelbeschrijving noemt 128 selecteerbare expertmodules, waarvan er vier per token worden gebruikt, plus een gedeelde module.

Je kunt het vergelijken met een groot bureau dat niet voor iedere opdracht alle afdelingen tegelijk inschakelt. Alleen is die vergelijking niet letterlijk: de expertmodules zijn geen duidelijk afgebakende beroepen zoals boekhouder of programmeur.

Het voordeel is dat niet het hele model voor iedere stap hoeft te rekenen. Daardoor kan een zeer groot model efficiënter antwoorden dan de totale omvang doet vermoeden.

Maar de grote verzameling gewichten moet nog steeds beschikbaar zijn. Minder actief rekenwerk betekent dus niet automatisch weinig benodigd geheugen. Dat verklaart waarom een efficiënt model toch zware infrastructuur kan vragen.

En hoe zit het met Voxtral?

Niet iedere nieuwe Mistral-aankondiging lost hetzelfde probleem op. Dit artikel gaat over een model voor tekst, beeldbegrip en complexere taken. Voor de afzonderlijke ontwikkeling rond spraak-AI verwijzen we naar onze blog over Mistral Voxtral 3.

Door die onderwerpen apart te behandelen, kun je gerichter kiezen. Zoek je hulp bij documenten en software, of juist bij gesproken interactie? Dat zijn verschillende vertrekpunten.

Zelfstandig programmeren: wat doet de AI en wat blijft mensenwerk?

Mistral legt bij de release veel nadruk op programmeren en taken waarbij een AI-systeem meerdere stappen uitvoert. In zo’n toepassing kan het model code onderzoeken, wijzigingen voorstellen, hulpmiddelen gebruiken en op testresultaten reageren.

Dat is een ander soort samenwerking dan één keer vragen om een stukje code. De toepassing werkt in een lus: onderzoeken, aanpassen, testen en opnieuw beoordelen.

Het model doet dat niet los van zijn omgeving. Het heeft software nodig die bestanden toegankelijk maakt, tests uitvoert en grenzen stelt. Een model is nog geen zelfstandig werkende programmeur.

Wil je dat verschil beter begrijpen? In onze uitleg over agentic AI en taken met meerdere stappen lees je waarom hulpmiddelen, bevoegdheden en controle minstens zo belangrijk zijn als het model.

De programmeur wordt niet alleen controleur

Een fictief softwarebureau wil een intern reserveringssysteem verbeteren. De AI stelt een wijziging voor waardoor dubbele boekingen worden tegengehouden. De bestaande tests slagen.

Toch is het werk niet klaar. Wat gebeurt er wanneer twee medewerkers vrijwel tegelijk boeken? En wat als een reservering wordt aangepast terwijl een ander scherm nog oude informatie toont?

De programmeur moet dus niet alleen kijken of de code netjes is. Hij bepaalt ook welke situaties getest moeten worden en welk gedrag de organisatie verwacht.

Daarom verschuift een deel van het werk naar het formuleren van goede voorwaarden. Wat moet altijd kloppen? Welke wijzigingen zijn verboden? Wanneer moet het systeem stoppen en hulp vragen?

Het tweede tegenintuïtieve inzicht: meer autonomie kan aanvankelijk méér voorbereiding vragen. Je hoeft minder losse stappen voor te schrijven, maar moet veel duidelijker vastleggen wat een goed eindresultaat is.

Mistral Large 4 benchmarks: wat zeggen de cijfers echt?

Een benchmark is een gestandaardiseerde test. Zo’n test helpt om modellen te vergelijken, maar het resultaat hoort altijd bij een specifieke versie, instelling en testomgeving.

Dat is bij Le Chonk belangrijk. De eigen publicatie van Mistral en onafhankelijke evaluaties laten niet overal dezelfde uitkomsten zien. Onderstaande cijfers zijn gepubliceerde externe meetgegevens, geen eigen WegwijsAI-tests.

Bronnen bij de tabel: de actuele modelevaluatie, de coding-agentbenchmark en de vergelijking van leveranciersresultaten met onafhankelijke evaluaties.

De juiste conclusie is niet dat één van deze cijfers automatisch onjuist is. De beschikbare informatie maakt niet precies duidelijk welk deel van het verschil door de gebruikte software of instellingen ontstaat.

Wel kun je zeggen dat de claim “het beste open model voor programmeren” te breed is zonder verdere uitleg. Een eerste plaats in een eigen vergelijking is niet hetzelfde als een eerste plaats in iedere onafhankelijke test.

Voor een Nederlands bedrijf is bovendien een andere vraag belangrijker: kan het systeem jullie documenten, afspraken en uitzonderingen goed verwerken? Daarvoor heb je een eigen, kleine praktijktest nodig.

Wil je eerst bepalen welk type oplossing bij jouw werk past? Gebruik dan onze keuzehulp om AI-tools te vergelijken op jouw gebruikssituatie.

GPT, Claude of DeepSeek: waarmee vergelijk je eigenlijk?

Een vergelijking wordt snel oneerlijk wanneer je een los model tegenover een complete app zet. Een chatomgeving kan bijvoorbeeld al bestandsverwerking, zoekfuncties en koppelingen bevatten. Bij een zelf ingerichte toepassing moet je die onderdelen apart organiseren.

Ook de openbare coding-agentbenchmark meet complete combinaties. Daarin staat Mistral Vibe met Le Chonk naast onder meer Claude Code en Codex. De scores zeggen dus niet alleen iets over het onderliggende taalmodel.

Kijk daarom naar vier vragen:

1. Kwaliteit: hoe vaak is de uitkomst direct bruikbaar?
2. Kosten: wat kost een goedgekeurd resultaat, inclusief herstelwerk?
3. Autonomie: welke stappen mag de toepassing uitvoeren?
4. Controle: waar draait de toepassing en wie beheert de toegang?

De onafhankelijke analyse rond de release laat zien dat Le Chonk niet overal voorloopt op DeepSeek en andere open modellen. Tegelijk kunnen downloadbare gewichten en de gekozen infrastructuur voor een organisatie zwaar wegen.

Zoek je vooral een keuze tussen gebruiksklare AI-assistenten? Lees dan onze vergelijking van Mistral en ChatGPT. Dit artikel gaat juist over het model als bouwsteen.

Wat kost het gebruik werkelijk?

De tarieven die rond de release van 29 oktober zijn gepubliceerd, bedragen 0,70 dollar per miljoen invoertokens, 0,07 dollar voor hergebruikte invoer en 2,10 dollar per miljoen uitvoertokens. Artificial Analysis vermeldt dezelfde tarieven. Sommige documentatiepagina’s tonen nog eerdere bedragen; controleer daarom het tarief van de gekozen dienst voordat je begint.

Voor een beginner zijn die miljoenen lastig te plaatsen. Belangrijker is het onderscheid: je betaalt voor informatie die je aanlevert én voor tekst die het model produceert.

Bij een taak met meerdere stappen kan dezelfde informatie vaker terugkomen. Ook een mislukte poging kan verbruik opleveren. Een lage prijs per tekststukje betekent daardoor niet automatisch een lage prijs per afgeronde opdracht.

Vergelijk geen antwoorden, maar goedgekeurd werk

Stel dat twee systemen een documentcontrole uitvoeren. Het ene levert snel een overtuigend antwoord, maar vraagt veel herstelwerk. Het andere stelt eerst een gerichte vraag en levert daarna een bruikbaar resultaat.

Alleen de eerste antwoordtijd meten geeft dan een verkeerd beeld. Meet liever de tijd tot iemand het resultaat kan goedkeuren.

Neem in een kostenvergelijking daarom mee:

• het modelgebruik;
• aanvullende software en koppelingen;
• het aantal herhaalde pogingen;
• menselijke controle;
• beheer en ondersteuning;
• de gevolgen van fouten.

Dat laatste hoeft niet meteen over grote incidenten te gaan. Een verkeerd samengevatte afspraak kan al extra telefoontjes, uitzoekwerk en frustratie veroorzaken.

De GPU-paradox: open gewichten zijn geen laptopfunctie

Het klinkt aantrekkelijk: de gewichten zijn beschikbaar, dus we draaien het model zelf. Maar beschikbaarheid is iets anders dan praktische haalbaarheid.

De deploymentinformatie richt zich op zware serverplatforms. Ook gecomprimeerde versies vragen een passende infrastructuur. Dit is geen model dat je zonder meer op een gewone kantoorcomputer installeert.

Zelf hosten betekent bovendien dat iemand verantwoordelijk wordt voor updates, capaciteit, beveiliging, monitoring en storingen. Je verplaatst een deel van de afhankelijkheid van een externe dienst naar je eigen organisatie of hostingpartner.

Dat kan verstandig zijn. Bijvoorbeeld wanneer controle en continuïteit zwaarder wegen dan het gemak van een beheerde dienst. Maar het is geen gratis route.

Een bruikbare vuistregel: begin niet met de vraag of je het model kúnt draaien. Begin met de vraag welk probleem eigen beheer oplost.

Open weights: hoeveel vrijheid krijg je?

Open weights betekent dat de getrainde modelgewichten beschikbaar zijn. Het betekent niet automatisch dat alle trainingsdata openbaar zijn of dat ieder commercieel gebruik zonder voorwaarden is toegestaan.

Le Chonk gebruikt de Mistral Ecosystem Open-Weight License, met specifieke voorwaarden rond model-as-a-serviceactiviteiten en uitzonderingen. Het model simpelweg “MIT” of “onbeperkt open source” noemen, laat een belangrijk deel van de voorwaarden weg.

Voor een organisatie is het verschil praktisch. Een interne toepassing is niet noodzakelijk hetzelfde als een dienst waarmee klanten zelf modelopdrachten kunnen uitvoeren. Ook activiteiten van verbonden bedrijven kunnen relevant zijn voor de voorwaarden.

Laat daarom vóór zakelijke ingebruikname beoordelen welke voorwaarden op jullie situatie van toepassing zijn. De term ‘open’ vervangt die beoordeling niet.

De winst zit vooral in extra keuzeruimte. Je kunt meer invloed krijgen op de omgeving waarin het model draait. Daar staat tegenover dat je ook meer verantwoordelijkheid kunt krijgen.

Cybersecurity en Europese controle: kans én verantwoordelijkheid

Mistral positioneert het model nadrukkelijk voor defensieve cybersecurity. De publicatie noemt onder meer ondersteuning bij het onderzoeken van code, het beoordelen van meldingen en het voorbereiden van verbeteringen.

Voor organisaties kan het waardevol zijn om zulke analyses binnen een eigen, gecontroleerde omgeving te laten plaatsvinden. Maar een AI-uitkomst blijft een voorstel dat deskundige beoordeling nodig heeft.

Er zit bovendien een spanning in open beschikbaarheid. Meer controle voor legitieme gebruikers betekent ook minder centrale controle over wat anderen met het model doen. Mistral erkent zelf dat de mogelijkheden misbruikt kunnen worden en dat aanvullende veiligheidsmaatregelen nodig blijven.

Voor praktisch gebruik betekent dit: beperk toegang, leg handelingen vast en laat ingrijpende wijzigingen goedkeuren. Geef een AI-systeem niet automatisch alle rechten omdat het een goede testscore heeft.

Europees is niet hetzelfde als automatisch onafhankelijk

Volgens Mistral is het model vanaf de basis getraind op Europese infrastructuur, met 3.800 NVIDIA Grace Blackwell-GPU’s. Dat maakt de herkomst relevant, maar laat ook zien dat Europese AI nog steeds onderdeel is van een internationale technologieketen.

Digitale soevereiniteit is daarom geen aan-uitknop. Het gaat om concrete keuzes: kun je van hostingpartij wisselen? Kun je blijven werken wanneer een dienst verandert? Wie beheert de sleutels en de toegangsrechten?

Onze visie: onafhankelijkheid betekent niet dat je nergens meer van afhankelijk bent. Het betekent dat je afhankelijkheden begrijpt en alternatieven hebt.

Dat is een minder spectaculaire boodschap dan “Europa heeft nu eigen AI”. Maar voor een organisatie is het veel bruikbaarder.

Voor wie is Le Chonk interessant?

Niet iedereen hoeft met dit model aan de slag. De juiste keuze hangt af van je taak, je mensen en de eisen aan de omgeving.

Voor beginners: kies eerst een goedgekeurde, gebruiksklare toepassing. Je hoeft geen model te hosten om te leren hoe je duidelijke opdrachten geeft en antwoorden controleert.

Voor het mkb: onderzoek één afgebakende toepassing. Bijvoorbeeld het vergelijken van productdocumentatie of het ondersteunen van een interne kennisbank. Begin niet met een groot infrastructuurproject zonder aangetoonde behoefte.

Voor ontwikkelaars en AI-start-ups: de combinatie van modeltoegang, aanpasbaarheid en verschillende manieren van inzetten kan interessant zijn. Controleer wel de licentie en meet de prestaties op je eigen product.

Voor grote organisaties en overheden: controle over de verwerkingsomgeving kan zwaar wegen. Maar de herkomst van een model is slechts één onderdeel van een bredere beoordeling van leveranciers, beheer en risico’s.

Stap voor stap: zo beoordeel je het model zonder grote beloften

Je hoeft niet meteen een complete toepassing te bouwen. Een kleine proef kan al laten zien waar de waarde zit.

1. Kies één terugkerende taak. Neem bijvoorbeeld het vergelijken van twee versies van een producthandleiding.
2. Verzamel tien geschikte voorbeelden. Gebruik openbare of goedgekeurde informatie, zonder onnodige persoonsgegevens.
3. Schrijf vooraf op wat een goed antwoord bevat. Denk aan volledigheid, bronverwijzingen en het zichtbaar maken van twijfel.
4. Gebruik dezelfde opdracht bij iedere test. Anders vergelijk je niet alleen modellen, maar ook verschillende instructies.
5. Herhaal de proef. Eén mooi antwoord zegt weinig over de betrouwbaarheid bij herhaald gebruik.
6. Meet tot aan goedkeuring. Noteer niet alleen de antwoordtijd, maar ook het benodigde herstelwerk.
7. Beslis pas daarna over opschalen. Een geslaagde demonstratie is nog geen stabiel werkproces.

Een bruikbare testopdracht is:

Vergelijk document A en document B. Gebruik uitsluitend deze documenten. Noem gewijzigde voorwaarden, ontbrekende informatie en tegenstrijdigheden. Vermeld per bevinding de vindplaats. Schrijf ‘niet vast te stellen’ wanneer bewijs ontbreekt. Maak geen aannames om het overzicht compleet te laten lijken.

Deze opdracht stuurt niet alleen op een antwoord. Ze maakt ook duidelijk hoe het systeem met onzekerheid moet omgaan. Dat helpt de beoordelaar om de uitkomst te controleren.

Veelgestelde vragen

Kan ik Mistral Large 4 zelf draaien?

De gewichten zijn beschikbaar, maar het volledige model vraagt zware infrastructuur en deskundig beheer. Voor de meeste beginners is een beheerde toepassing logischer. Zelf hosten wordt vooral interessant wanneer een organisatie daar een duidelijke reden en passende capaciteit voor heeft.

Is Le Chonk open source?

Open weights is de nauwkeurigere omschrijving. De modelgewichten zijn beschikbaar onder een specifieke licentie met commerciële voorwaarden. Beschikbare gewichten betekenen niet automatisch dat alle trainingsgegevens openbaar zijn of ieder gebruik onbeperkt is toegestaan.

Is het beter dan GPT, Claude of DeepSeek?

Niet voor iedere taak. De uitkomst hangt af van de modelversie, de toepassing, de instellingen en de beoordeling. Openbare tests laten zowel sterke punten als beperkingen zien. Vergelijk daarom op je eigen werk, inclusief controlewerk en de gewenste verwerkingsomgeving.

De belangrijkste vraag is niet hoe groot het model is

Mistral is vooral interessant omdat het organisaties meer mogelijkheden geeft om zelf te bepalen hoe ze AI inzetten. Niet alleen een antwoord afnemen, maar ook invloed krijgen op de omgeving, de inrichting en het beheer.

Die vrijheid heeft pas waarde wanneer je weet waarvoor je haar nodig hebt. Anders verander je een eenvoudige gebruiksvraag in een ingewikkeld beheerproject.

Bij WegwijsAI zouden we daarom beginnen met één taak, heldere kwaliteitscriteria en zichtbare menselijke controle. Eerst bewijzen dat het werkt. Daarna pas groter denken.

Dit artikel is geschreven en gecontroleerd door Maarten en Sanne van WegwijsAI.