DEV Community

Cover image for Wie man die Mistral Large 4 API nutzt
Emre Demir
Emre Demir

Posted on Originally published at apidog.com

Wie man die Mistral Large 4 API nutzt

Mistral Large 4 wurde am 6. Oktober 2026 in der Mistral API freigeschaltet, drei Wochen vor seinen Open Weights. Wenn Sie den „Le Chonk“ mit 1 Billion Parametern jetzt ausprobieren möchten, ist die API der einzige Weg dorthin – und aktuell auch der günstigste: Mistral listet ihn während der öffentlichen Vorschau für 0,68 $ pro Million Eingabe-Tokens und 2,09 $ pro Million Ausgabe-Tokens auf, die Hälfte des Listenpreises von 1,36 $ / 4,18 $.

Apidog noch heute testen

Dieser Leitfaden bringt Sie in etwa fünf Minuten zum ersten funktionierenden API-Aufruf. Anschließend behandeln wir die Implementierungsdetails, die in der Praxis relevant sind: Reasoning-Chunks, Bildeingaben, Funktionsaufrufe, JSON-Ausgabe und Kosten. Speichern Sie jede Anfrage in Apidog, um Large 4 reproduzierbar mit Ihren bestehenden Modellen zu vergleichen.

Neu beim Modell? Lesen Sie zuerst Mistral ist zurück: Le Chonk schlägt GPT-6 Astra und Claude bei Cyber für Benchmarks und den Kontext zur Cyber-Schlagzeile.

Was Sie benötigen

Element Wert
Basis-URL https://api.mistral.ai/v1
Authentifizierung Authorization: Bearer $MISTRAL_API_KEY
Modell-ID mistral-large-4 (Alias: mistral-large-4-0)
Haupt-Endpoint POST /v1/chat/completions
Kontextfenster 1 Mio. Tokens
Eingabetypen Text, Bilder
Python SDK pip install mistralai
TypeScript SDK npm install @mistralai/mistralai

Schritt 1: API-Schlüssel erstellen

  1. Melden Sie sich bei Mistral Studio an.
  2. Öffnen Sie API Keys und erstellen Sie einen neuen Schlüssel.
  3. Verwenden Sie einen eindeutigen Namen wie local-dev oder ci-staging.
  4. Kopieren Sie den Schlüssel sofort: Studio zeigt ihn danach nicht erneut an.
  5. Exportieren Sie ihn in Ihrer Shell: 
export MISTRAL_API_KEY="your-key-here"
Enter fullscreen mode Exit fullscreen mode

Prüfen Sie vor dem ersten Request, ob die Variable gesetzt ist:

echo "$MISTRAL_API_KEY"
Enter fullscreen mode Exit fullscreen mode

Committen Sie den Schlüssel nie ins Repository. Wenn Sie denselben Schlüssel in mehreren Tools oder Umgebungen verwenden, behandelt der Leitfaden zu Best Practices für das API-Schlüsselmanagement Rotation und Scoping.

Schritt 2: Den ersten API-Aufruf ausführen

Testen Sie zuerst den Endpoint mit curl:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {
        "role": "user",
        "content": "Nennen Sie mir drei Grenzfälle, die ich mit einer Paginierungs-API testen kann."
      }
    ]
  }'
Enter fullscreen mode Exit fullscreen mode

Bei Erfolg enthält die Antwort unter choices[0].message.content den generierten Text. Der Block usage enthält außerdem:

  • prompt_tokens
  • completion_tokens
  • total_tokens

Schnelle Fehlerdiagnose:

  • 401 Unauthorized: API-Schlüssel fehlt, ist falsch oder wurde nicht exportiert.
  • 404 beim Modell: Prüfen Sie die Modell-ID. Verwenden Sie exakt mistral-large-4.

Der gleiche Aufruf in Python

Installieren Sie zuerst das SDK:

pip install mistralai
Enter fullscreen mode Exit fullscreen mode

Dann:

import os
from mistralai import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-4",
    messages=[
        {
            "role": "user",
            "content": "Nennen Sie mir drei Grenzfälle, die ich mit einer Paginierungs-API testen kann.",
        }
    ],
)

print(response.choices[0].message.content)
Enter fullscreen mode Exit fullscreen mode

Der gleiche Aufruf in TypeScript

Installieren Sie das Paket:

npm install @mistralai/mistralai
Enter fullscreen mode Exit fullscreen mode

Dann:

import { Mistral } from "@mistralai/mistralai";

const client = new Mistral({
  apiKey: process.env.MISTRAL_API_KEY,
});

const response = await client.chat.complete({
  model: "mistral-large-4",
  messages: [
    {
      role: "user",
      content: "Nennen Sie mir drei Grenzfälle, die ich mit einer Paginierungs-API testen kann.",
    },
  ],
});

console.log(response.choices[0].message.content);
Enter fullscreen mode Exit fullscreen mode

Schritt 3: Anfrage in Apidog speichern

Sobald Sie Modelle vergleichen oder Prompts iterieren, sind wiederholbare HTTP-Anfragen hilfreicher als einzelne Terminal-Befehle.

So richten Sie die Anfrage in Apidog ein:

  1. Erstellen Sie eine neue HTTP-Anfrage: 
   POST https://api.mistral.ai/v1/chat/completions
Enter fullscreen mode Exit fullscreen mode
  1. Definieren Sie eine Umgebungsvariable MISTRAL_API_KEY.
  2. Setzen Sie den Header: 
   Authorization: Bearer {{MISTRAL_API_KEY}}
Enter fullscreen mode Exit fullscreen mode
  1. Fügen Sie den JSON-Body aus Schritt 2 ein.
  2. Klicken Sie auf Send.
  3. Duplizieren Sie die Anfrage und ändern Sie model beispielsweise zu mistral-medium-3-5.

Damit erhalten Sie zwei gespeicherte Requests mit identischem Prompt. In Apidog können Sie Antwort-Body, Status, Timing, Größe und usage vergleichen, ohne ein separates Benchmark-Skript zu schreiben.

Fügen Sie zusätzlich eine Post-Response-Assertion hinzu, die prüft, ob choices[0].message.content nicht leer ist. Das ergibt einen einfachen Smoke-Test für künftige Modell-Updates.

Schritt 4: Reasoning aktivieren oder deaktivieren

Large 4 ist ein Hybridmodell: Es kann schnelle Antworten liefern oder schrittweises Reasoning verwenden. Steuern Sie dieses Verhalten über reasoning_effort.

Wert Verhalten Geeignet für
"none" Minimales Nachdenken, kein Thinking-Chunk Chat, Extraktion, Klassifizierung, latenzkritische Workloads
"high" Vollständiger Thinking-Chunk vor der finalen Antwort Debugging, mehrstufige Planung, Mathematik, Code-Review

Beispiel mit aktiviertem Reasoning:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {
        "role": "user",
        "content": "Unsere API gibt unter Last 200 mit einem leeren Body zurück. Listen Sie wahrscheinliche Ursachen nach der Wahrscheinlichkeit auf."
      }
    ],
    "reasoning_effort": "high"
  }'
Enter fullscreen mode Exit fullscreen mode

Wichtig: Reasoning verändert das Antwortformat

Mit reasoning_effort: "high" ist message.content nicht zwingend mehr ein String. Stattdessen erhalten Sie eine Liste von Chunks:

  • thinking: die Reasoning-Spur
  • text: die endgültige Antwort

Wenn Ihr Parser nur Strings erwartet, kann das zu Fehlern führen. Extrahieren Sie den Text-Chunk explizit:

response = client.chat.complete(
    model="mistral-large-4",
    messages=[
        {
            "role": "user",
            "content": "Warum sollte eine 200er-Antwort einen leeren Body haben?",
        }
    ],
    reasoning_effort="high",
)

content = response.choices[0].message.content

if isinstance(content, str):
    answer = content
else:
    answer = "".join(chunk.text for chunk in content if chunk.type == "text")

print(answer)
Enter fullscreen mode Exit fullscreen mode

Thinking-Tokens werden als Ausgabe-Tokens abgerechnet. Verwenden Sie deshalb standardmäßig "none" und aktivieren Sie "high" nur für Aufgaben, die tatsächlich mehrstufiges Reasoning benötigen.

Schritt 5: Ein Bild senden

Large 4 ist nativ multimodal und besitzt einen Vision-Encoder mit 1,6 Milliarden Parametern. Übergeben Sie Bilder als Inhaltsbestandteile zusammen mit Text:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "text",
            "text": "Dies ist ein Screenshot unseres API-Fehler-Dashboards. Welcher Endpunkt fällt am häufigsten aus und wie lautet der Fehlercode?"
          },
          {
            "type": "image_url",
            "image_url": "https://example.com/dashboard.png"
          }
        ]
      }
    ]
  }'
Enter fullscreen mode Exit fullscreen mode

Für lokale Dateien verwenden Sie eine Base64-Daten-URL:

{
  "type": "image_url",
  "image_url": "data:image/png;base64,<encoded>"
}
Enter fullscreen mode Exit fullscreen mode

Mistral berichtet für Large 4 42 % auf dem Dense-200-Visual-Grounding-Benchmark, knapp vor GPT-6 Astra mit 41 %. Geeignete Anwendungsfälle sind daher Screenshots von Dashboards, Diagrammen und UI-Zuständen.

Schritt 6: Funktionsaufrufe implementieren

Bei Funktionsaufrufen beschreiben Sie dem Modell die verfügbaren Tools. Das Modell entscheidet, ob ein Tool benötigt wird; Ihr Code führt den Aufruf aus und gibt das Ergebnis zurück.

Definieren Sie zunächst ein Tool:

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Den Status einer Bestellung anhand ihrer ID abrufen.",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {
                        "type": "string",
                        "description": "Die Bestell-ID, z. B. ORD-1042",
                    }
                },
                "required": ["order_id"],
            },
        },
    }
]

messages = [
    {
        "role": "user",
        "content": "Wo ist Bestellung ORD-1042?",
    }
]

response = client.chat.complete(
    model="mistral-large-4",
    messages=messages,
    tools=tools,
    tool_choice="auto",
)

tool_call = response.choices[0].message.tool_calls[0]

print(tool_call.function.name)
print(tool_call.function.arguments)
Enter fullscreen mode Exit fullscreen mode

Führen Sie das Tool in Ihrer Anwendung aus. Senden Sie anschließend das Ergebnis mit der zugehörigen tool_call_id zurück:

import json

result = {
    "order_id": "ORD-1042",
    "status": "shipped",
    "eta": "2026-10-09",
}

messages.append(response.choices[0].message)
messages.append(
    {
        "role": "tool",
        "name": "get_order_status",
        "content": json.dumps(result),
        "tool_call_id": tool_call.id,
    }
)

final = client.chat.complete(
    model="mistral-large-4",
    messages=messages,
    tools=tools,
)

print(final.choices[0].message.content)
Enter fullscreen mode Exit fullscreen mode

Das Tool-Schema verwendet JSON Schema. Wenn Ihre API bereits eine OpenAPI-Spezifikation besitzt, können Sie das Request-Schema der jeweiligen Operation direkt als parameters übernehmen. Wenn Sie die Spezifikation zuerst in Apidog pflegen, bleiben Tool-Definition und tatsächliche API synchron.

Schritt 7: Strukturiertes JSON zurückgeben

Für maschinenlesbare Antworten setzen Sie response_format auf json_object:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {
        "role": "user",
        "content": "Extrahieren Sie Methode, Pfad und Statuscode aus: GET /v1/users/42 returned 404. Antworten Sie in JSON."
      }
    ],
    "response_format": {
      "type": "json_object"
    }
  }'
Enter fullscreen mode Exit fullscreen mode

Erwähnen Sie JSON sowohl im Prompt als auch in response_format.

Für striktere Formen unterstützt Mistral außerdem:

{
  "type": "json_schema",
  "json_schema": {
    "...": "vollständiges Schema"
  }
}
Enter fullscreen mode Exit fullscreen mode

Fügen Sie in Apidog eine JSON-Schema-Assertion für die Antwort hinzu. So schlägt eine abweichende Antwortform früh fehl, statt einen nachgelagerten Dienst zu unterbrechen.

Was es kostet

Nutzung Vorschaupreis Listenpreis
Eingabe, pro 1 Mio. Tokens 0,68 $ 1,36 $
Zwischengespeicherte Eingabe, pro 1 Mio. Tokens 0,07 $ 0,14 $
Ausgabe, pro 1 Mio. Tokens 2,09 $ 4,18 $

Beispiel: Ein Agent führt täglich 10.000 Aufrufe aus. Jeder Aufruf hat 3.000 Eingabe-Tokens, überwiegend durch einen zwischengespeicherten System-Prompt und Tools, sowie 500 Ausgabe-Tokens.

  • Eingabe: 30 Mio. Tokens pro Tag. Wenn 2.500 von 3.000 Tokens je Request zwischengespeichert sind, ergeben sich 25 Mio. gecachte Tokens zu 0,07 $ und 5 Mio. neue Tokens zu 0,68 $. Das sind etwa 5,15 $ pro Tag.
  • Ausgabe: 5 Mio. Tokens zu 2,09 $. Das sind etwa 10,45 $ pro Tag.
  • Gesamt: ungefähr 15,60 $ pro Tag zum Vorschaupreis oder etwa 31 $ zum Listenpreis.

Die gleiche Arbeitslast auf GPT-6 Astra mit 10 $ / 50 $ pro Million Tokens vor Caching-Rabatten würde mehrere hundert Dollar pro Tag kosten. Mistral hat nicht angegeben, wann die Vorschaupreise enden. Kalkulieren Sie deshalb für die Produktion mit dem Listenpreis.

Häufige Fehler

Fehler Wahrscheinliche Ursache Behebung
401 Unauthorized Fehlender oder falscher Schlüssel Prüfen Sie echo $MISTRAL_API_KEY und das Präfix Bearer
404 / Ungültiges Modell Tippfehler in der Modell-ID Verwenden Sie exakt mistral-large-4
422 Unprocessable Entity Fehlerhaft formatierter Request-Body, oft ein fehlerhaftes tools-Schema Validieren Sie das JSON Schema unter parameters jedes Tools
429 Too Many Requests Ratenlimit Ihrer Workspace-Stufe Backoff verwenden und erneut versuchen oder Limits in Studio erhöhen
Antwort wird als Liste ausgegeben reasoning_effort: "high" liefert Chunks Den text-Chunk wie in Schritt 4 extrahieren

FAQ

Ist Mistral Large 4 OpenAI-kompatibel?

Die Request-Form ist sehr ähnlich. model, messages, tools, tool_choice und response_format funktionieren wie erwartet. Verwenden Sie die Mistral SDKs oder reines HTTP. Die Reasoning-Ausgabe verwendet jedoch Mistrals eigenes Chunk-Format.

Wann kann ich Large 4 lokal ausführen?

Mistral sagt, dass die Weights Ende Oktober 2026 veröffentlicht werden. Mit insgesamt 1,05 Billionen Parametern benötigt das Modell Serverhardware mit mehreren GPUs. Der Leitfaden Mistral 3 lokal ausführen behandelt bis dahin die Tools für kleinere Modelle.

Ist die Vorschau stabil genug für die Produktion?

Noch nicht. Das Modell ist als öffentliche Vorschau gekennzeichnet und kann sich vor Veröffentlichung der Weights ändern. Pinnen Sie Ihre Tests, führen Sie sie nach Modell-Updates erneut aus und konfigurieren Sie ein Fallback-Modell.

Kann ich Large 4 mit bestehendem Mistral-Code verwenden?

Ja. Basis-URL, Authentifizierung und SDK bleiben identisch. Ändern Sie nur die Modellzeichenfolge zu mistral-large-4. Wenn Sie von Medium 3.5 kommen, beschreibt der Mistral Medium 3.5 API-Leitfaden die übertragbaren Teile.

Zusammenfassung

Ein funktionierender Aufruf dauert etwa fünf Minuten. Investieren Sie die nächste Stunde darin, Ihre echten Prompts parallel mit Large 4 und Ihrem aktuellen Modell auszuführen.

Speichern Sie beide Requests in Apidog, ergänzen Sie Assertions für Status und Antwortform und vergleichen Sie Antwortqualität, Latenz sowie Token-Verbrauch. So können Sie innerhalb eines Tages beurteilen, ob Le Chonk in Ihren Stack passt – solange der Vorschaupreis noch reduziert ist.

Top comments (0)