Mistral Large 4 önizlemede: 1 trilyon parametreli açık ağırlıklı model için GPU sunucu hazırlığı

Mistral AI, Mistral Large 4'ü (ML4) 6 Ekim 2026'da duyurdu ve kamuya açık önizleme olarak sundu. Ağırlıkların ay sonuna kadar yayımlanacağı söyleniyor. Modeli kendi altyapısında çalıştırmayı düşünen ekiplerin bu süreyi donanım planlaması için kullanması mantıklı olur.

Ne değişti

Duyuruda öne çıkan noktalar şunlar:

• Boyut: Modelin toplam 1 trilyon parametresi var. Bunların 49 milyarı aktif. Yani her token üretilirken ağın yalnızca küçük bir bölümü çalışıyor. Toplam ve aktif parametre arasındaki bu fark, uzman karışımı (MoE) yaklaşımının tipik bir göstergesi.
• Çok kiplilik: Mistral, modeli baştan çok kipli (multimodal) olarak tasarlandığını söylüyor.
• Erişim: Önizleme API'si şimdilik yalnızca Mistral Studio üzerinden kullanılabiliyor. Ağırlıkların ay sonuna kadar açılması bekleniyor.
• Eğitim altyapısı: Mistral, modeli Avrupa'daki kendi veri merkezlerinde 3.800 NVIDIA Grace Blackwell GPU ile eğittiğini açıkladı.
• Kodlama sonuçları: Şirketin paylaştığı rakamlara göre model DeepSWE v1.1'de %61,7, SWE-Atlas-QnA'da %59,4 aldı.
• Güvenlik sonuçları: B3 Security Benchmark'ta saldırılara karşı %93,3 direnç, zafiyet yeniden üretme testinde ise %82 başarı bildirildi.

Bu sonuçların hepsi Mistral'in kendi duyurusundan geliyor. Kendi iş yükünüzde nasıl davrandığını görmek için yine de kendi testlerinizi yapmanız gerekecek.

Ne anlama geliyor

Veri egemenliği ve KVKK

Türkiye'deki ekipler için asıl önemli haber ağırlıkların açılacak olması. Kapalı bir API'ye müşteri verisi göndermek, KVKK açısından yurt dışına aktarım, sözleşmeler ve kayıt tutma gibi soruları beraberinde getiriyor. Açık ağırlıklı bir modeli Türkiye'deki bir sunucuda kendiniz çalıştırdığınızda veri sizin altyapınızdan dışarı çıkmaz. Hukuki değerlendirmeyi yine danışmanınızla yapmalısınız, ama elinizdeki seçenekler bu sayede genişliyor.

Önizleme sürecinde dikkat edilmesi gereken bir nokta var: Mistral Studio'daki API bir bulut hizmeti. Bu aşamada gerçek kişisel veri yerine anonimleştirilmiş ya da sentetik örneklerle çalışmak daha güvenli olur.

Maliyet ve gecikme

Aktif parametre sayısının 49 milyarda kalması, token başına hesaplama yükünü toplam boyuta göre çok daha düşük tutuyor. Bellek tarafında ise durum farklı: tüm uzmanların ağırlıkları her an erişilebilir olmalı. Dolayısıyla belirleyici kaynak hesaplama gücünden çok GPU belleği olacak. Yerelde barındırılan bir model, yurt dışındaki bir API'ye göre ağ gecikmesini de azaltır. Bu fark özellikle etkileşimli uygulamalarda ve ajan döngülerinde hissedilir.

Türkçe kullanım

Duyuruda Türkçe performansına dair bir bilgi yok. Kendi müşteri yazışmalarınıza, belgelerinize ve terim listenize benzeyen küçük bir test seti hazırlayıp önizleme API'sinde denemek, kararı ağırlıklar çıkmadan vermenize yardımcı olur.

Nasıl denenir

Şimdi: önizleme API'si

1. Mistral Studio'da hesap açın ve önizleme erişimini etkinleştirin.
2. Gerçek iş senaryolarınızdan 20 ila 50 örnek seçip anonimleştirin. Kod inceleme, Türkçe özetleme ve görsel içeren belgeler iyi başlangıç noktaları.
3. Yanıtları mevcut modelinizin çıktılarıyla yan yana koyup puanlayın. Gecikmeyi ve token tüketimini de not edin.

Ay sonu: kendi GPU sunucunuzda

Kesin donanım ihtiyacını, ağırlıklar yayımlandığında açıklanacak biçimler ve hassasiyet seçenekleri belirleyecek. Planlamayı yine de genel ilkelerle şimdiden yapabilirsiniz:

• Ağırlık belleği: Kabaca parametre sayısı ile parametre başına bayt sayısının çarpımı kadardır. 16 bit hassasiyette her parametre 2 bayt yer kaplar. Trilyon parametrede bu, terabayt düzeyine çıkar. 8 bit ya da 4 bit nicemleme (quantization) bu ihtiyacı belirgin ölçüde azaltır, ama kaliteyi kendi testlerinizle doğrulamanız gerekir.
• KV önbelleği: Uzun bağlam ve çok sayıda eşzamanlı kullanıcı, ağırlıkların üzerine ciddi miktarda ek bellek ister. Bunun için pay bırakın.
• Çok GPU ve bağlantı: Bu boyutta bir model tek karta sığmaz. Tensör ve uzman paralelliği için GPU'lar arası bant genişliği hızı doğrudan etkiler.
• Depolama ve indirme: Ağırlık dosyaları çok büyük olacak. Hızlı NVMe disk ve yeterli ağ kapasitesi planlayın.
• Servis yazılımı: vLLM gibi bir sunucu motorunun bu modeli ne zaman desteklediğini takip edin. Motor yeniden başlatıldığında ağırlıkları yeniden yükleme süresini kısaltmak için vLLM 0.31.0 ve preload özelliği yazımıza göz atabilirsiniz. Benzer ölçekte bir MoE modelin kurulum adımları için DeepSeek-V4.1-Flash rehberi de iyi bir referans.

Elinizdeki kartların toplam belleğini görmek için:

nvidia-smi --query-gpu=index,name,memory.total --format=csv

Çok GPU'lu bir yapıyı satın almadan önce saatlik ya da aylık bir GPU sunucu ile denemek, yatırımı netleştirir. Modeli kurum içinde kalıcı ve izole biçimde barındırmak istiyorsanız özel bulut seçeneği de değerlendirilebilir.

Sık sorulan sorular

Mistral Large 4'ün ağırlıkları ne zaman açılacak?

Mistral, ağırlıkları ay sonuna kadar yayımlayacağını belirtiyor. O zamana kadar model yalnızca Mistral Studio'daki önizleme API'si üzerinden kullanılabiliyor.

49 milyar aktif parametre, modelin küçük bir sunucuya sığacağı anlamına mı geliyor?

Hayır. Aktif parametre sayısı token başına hesaplama yükünü belirler. Bellekte ise toplam 1 trilyon parametrenin tamamının tutulması gerekir. Bu yüzden çok GPU'lu ve yüksek bellekli bir yapı şart.

Lisans koşulları belli mi?

Önizleme duyurusunda bu yazıda aktarabileceğimiz bir lisans ayrıntısı yer almıyor. Ticari kullanım planlıyorsanız ağırlıklar yayımlandığında lisans metnini resmi sayfadan kontrol edin.

Kodlama ve güvenlik puanları güvenilir mi?

Puanlar Mistral'in kendi açıkladığı sonuçlar. Yön gösterici olarak işe yararlar, ama karar vermeden önce kendi kod tabanınız ve iş akışınızla test yapmanız gerekir.

Kaynaklar

• Introducing Mistral Large 4