News Mistral Large 4: Das größte LLM aus der EU soll zur Konkurrenz aufschließen

Konnte das neue Modell noch nicht gut testen, aber ich finde die Benchmarks da sehr irreführend. Im Gegensatz zu Gaming lässt sich der Nutzen der KI viel schlechter quantifizieren.

Ich müsste lügen, wenn ich behaupte, ich merke, dass Fable 5.1 besser ist, als Fable 5.0 oder, wie Opus 5.5 dagegen performt. Ich nutze Claude bei der Arbeit viel für Entwicklung und ab und an für generelle Fragen zu Windows, Linux, Netzwerkram.. und die sind alle klar gut. Gäbe es da null neue Entwicklung wäre ich nicht traurig, weil ein Maß an "absolut nutzbar" für mich erreicht wurde.

Nun habe ich daheim via Mistral mit GLM 5.3 gearbeitet und es war ..... genau so. Es ist absolut clever, schnell, bietet Lösungen und Alternativen, reagiert schnell, beachtet meinen Harness und schreibt dann auf Anfrage drin herum, findet super schnell Lösungen für Windows und Linux.

Neulich hat es mir sogar geholfen in Linux das genaue Zusammenspiel von Optiscaler, Goverlay, Lossless Scaling, Heroic und dem DLSS5 Enabler einzurichten, bei einem Fall, wo offensichtlich Konflikte herrschten.

Wenn le Chonk ähnlich gut funktioniert, bin ich happy.
 
  • Gefällt mir
Reaktionen: MelbarKasom
Schön zu sehen, dass es in Europa vorwärts geht. Sicherlich noch nicht das Ende alle Wünsche (siehe die Posts zur "Autonomie" usw.), aber ein Fortschritt in die richtige Richtung.
Und natürlich haben wir in Europa aus verschiedenen Gründen weniger Ressourcen dafür als USA oder China. Also sind die Brötchen daraus auch zwangsläufig etwas kleiner. Man kann mit Kreisklasse-Investments keine Championsleague-Ergebnisse erwarten. Aber die Frage ist auch, ob jede Mini-"Aufgabe" von SusiSorglos wirklich Championsleague-Ergebnisse benötigt. Und inwieweit die Metadaten aus der Mini-"Aufgabe" von SusiSorglos nicht den Vorsprung der anderen aktiv unterstützt, also inwiefern die User selbst die Marktmacht erst erzeugen, siehe beispielsweise die Entstehungsgeschichten von Google, Microsoft und Meta.
 
  • Gefällt mir
Reaktionen: ecth
RMS_der_Zweite schrieb:
Verstehe nur Bahnhof, hast du ein paar Quellen sich da einzulesen? Leider ist mein Infostudium schon zu lange her für sowas, da gab es nur ein paar einfache neuronale Netze für Aufgaben wie Handschrifterkennung..
Die Zahlen beziehen sich auf die Tests von Artificialanalysis.ai.

Hier das Leaderboard: https://artificialanalysis.ai/leaderboards/models
Hier Deepseek 4.1 Flash im Test: https://artificialanalysis.ai/models/deepseek-v4-1-flash
Hier Mistral 4 Large im Test: https://artificialanalysis.ai/models/mistral-large-4

Da siehst du dann schön in welchen Tests welches Model jeweils besonders gut oder schlecht ist, der Score am Ende ist ein Aggregate.

Erklärung im Einzelnen:

$0,27 vs $1,13/Task -> Mistral ist hier teurer in der Beispielaufgabe von AA und zwar fast 4,2x.
227 vs 116 tok/s -> Mistral ist zwar schnell via API, aber halt dennoch nur halb so schnell wie Deepseek.
1,12 vs 1,46s TTFT -> Time to First Token: ab wann siehst du die ersten Ausgaben / Reasoning.
12,16 vs 23s E2E -> End to End Zeit für den Task.
1M vs 524k Context -> Selbsterklärend eigentlich: Mistral hat mit 500k Kontext nicht so viel wie sehr viele Andere.

Dazu ist DeepSeek 552B/16B active, ML4 1T/49B active -> Das bezieht sich auf die Grösse: Deepseek braucht in etwa den halben Speicher ums überhaupt laufen zu lassen, aktive Params bedeuten wie schnell wird das Ding laufen bzw. wie rechenintensiv ist es - Mehr = weniger Token/s.
 
  • Gefällt mir
Reaktionen: RMS_der_Zweite
Zurück
Oben