Mistral Large 4는 오픈 가중치 공개 3주 전인 2026년 10월 6일 Mistral API에 출시되었습니다. 1조 개의 매개변수를 가진 “Le Chonk”를 지금 바로 사용하려면 현재로서는 API가 유일한 방법이자 가장 저렴한 방법입니다. Mistral은 공개 프리뷰 기간 동안 입력 토큰 100만 개당 $0.68, 출력 토큰 100만 개당 $2.09로 가격을 책정했으며, 이는 정가인 $1.36 / $4.18의 절반입니다.
이 가이드에서는 약 5분 안에 첫 API 호출을 실행한 뒤, 구현 시 자주 막히는 추론 청크, 이미지 입력, 함수 호출, JSON 출력, 비용 계산을 다룹니다. 모든 요청을 Apidog에 저장하고 재실행하면 Large 4를 현재 사용하는 모델과 같은 조건에서 비교할 수 있습니다.
모델 자체가 처음이라면 벤치마크와 사이버 관련 헤드라인의 배경을 다룬 Mistral이 돌아왔다: Le Chonk, 사이버에서 GPT-6 Astra와 Claude를 이기다를 먼저 읽어보세요.
필요한 것
| 항목 | 값 |
|---|---|
| 기본 URL | https://api.mistral.ai/v1 |
| 인증 | Authorization: Bearer $MISTRAL_API_KEY |
| 모델 ID |
mistral-large-4 (별칭 mistral-large-4-0) |
| 주요 엔드포인트 | POST /v1/chat/completions |
| 컨텍스트 창 | 1백만 토큰 |
| 입력 유형 | 텍스트, 이미지 |
| Python SDK | pip install mistralai |
| TypeScript SDK | npm install @mistralai/mistralai |
1단계: API 키 받기
- Mistral Studio에 로그인합니다. 이전 명칭은 La Plateforme입니다.
-
API 키 메뉴에서 새 키를 만듭니다.
local-dev,ci-staging처럼 사용 위치를 알 수 있는 이름을 지정합니다. - 키를 한 번 복사합니다. Studio는 키를 다시 보여주지 않습니다.
- 셸 환경 변수로 내보냅니다.
export MISTRAL_API_KEY="your-key-here"
키는 소스 제어에 커밋하지 마세요. 여러 도구에서 키를 사용한다면 API 키 관리 모범 사례를 참고해 키 순환과 범위 지정을 적용하세요.
2단계: 첫 호출하기
가장 빠른 연결 확인 방법은 curl입니다.
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": "Give me three edge cases to test on a pagination API."
}
]
}'
성공하면 응답의 choices[0].message.content에 답변이 들어가며, usage 블록에서 다음 값을 확인할 수 있습니다.
prompt_tokenscompletion_tokenstotal_tokens
오류가 발생하면 먼저 다음을 확인하세요.
-
401: API 키가 잘못되었거나MISTRAL_API_KEY가 내보내지지 않았습니다. -
404: 대개 모델 ID 오타입니다.mistral-large-4를 정확히 사용했는지 확인하세요.
Python에서 동일한 호출
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": "Give me three edge cases to test on a pagination API.",
}
],
)
print(response.choices[0].message.content)
TypeScript에서 동일한 호출
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: "Give me three edge cases to test on a pagination API.",
},
],
});
console.log(response.choices[0].message.content);
3단계: Apidog에 저장하기
여러 모델을 비교하기 시작하면 매번 curl 명령을 수정하는 방식은 비효율적입니다. Apidog에 요청을 저장해 재사용하세요.
- 새 HTTP 요청을 만들고 다음을 설정합니다.
POST https://api.mistral.ai/v1/chat/completions
- 환경 변수
MISTRAL_API_KEY를 추가합니다. - 다음 인증 헤더를 설정합니다.
Authorization: Bearer {{MISTRAL_API_KEY}}
- 2단계의 JSON 본문을 붙여넣고 전송합니다.
- 요청을 복제한 뒤
model값을 현재 사용하는 모델(예:mistral-medium-3-5)로 바꿉니다. - 같은 프롬프트로 두 요청을 실행해 응답을 비교합니다.
이렇게 하면 동일한 입력을 기준으로 응답 본문, 상태 코드, 시간, 크기, usage 토큰 수를 함께 비교할 수 있습니다. 프리뷰 모델 업데이트에 대비하려면 다음과 같은 응답 후 어설션도 추가하세요.
choices[0].message.content가 비어 있지 않아야 함
이 어설션은 저장된 요청을 스모크 테스트로 재사용할 때 유용합니다.
4단계: 추론 켜고 끄기
Large 4는 빠른 응답과 단계별 추론을 모두 처리하는 하이브리드 모델입니다. reasoning_effort 매개변수로 동작을 제어합니다.
| 값 | 동작 | 사용처 |
|---|---|---|
"none" |
최소한의 사고, 응답에 사고 청크 없음 | 채팅, 추출, 분류, 지연 시간에 민감한 작업 |
"high" |
최종 답변 전 전체 사고 청크 반환 | 디버깅, 다단계 계획, 수학, 코드 검토 |
다음은 고강도 추론을 활성화하는 요청입니다.
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": "Our API returns 200 with an empty body under load. List likely causes in order of probability."
}
],
"reasoning_effort": "high"
}'
reasoning_effort: "high"를 사용할 때는 파싱 로직을 바꿔야 합니다. message.content가 문자열이 아니라 청크 목록으로 반환될 수 있습니다.
청크에는 다음이 포함됩니다.
-
thinking: 추론 과정 -
text: 최종 답변
따라서 단순히 response.choices[0].message.content를 출력하지 말고, text 청크를 명시적으로 추출하세요.
response = client.chat.complete(
model="mistral-large-4",
messages=[
{
"role": "user",
"content": "Why would a 200 response have an empty body?",
}
],
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)
사고 토큰은 출력 토큰으로 청구됩니다. 기본값은 "none"으로 두고, 다단계 분석이 필요한 호출에서만 "high"를 사용하세요.
5단계: 이미지 보내기
Large 4는 16억 개 매개변수의 비전 인코더를 포함한 네이티브 멀티모달 모델입니다. 텍스트와 이미지를 하나의 content 배열에 넣어 전송할 수 있습니다.
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": "This is a screenshot of our API error dashboard. Which endpoint is failing most and what is the error code?"
},
{
"type": "image_url",
"image_url": "https://example.com/dashboard.png"
}
]
}
]
}'
로컬 이미지는 base64 데이터 URL로 전송합니다.
{
"type": "image_url",
"image_url": "data:image/png;base64,<encoded>"
}
Mistral은 Large 4가 Dense 200 시각-접지 벤치마크에서 42%를 기록해 GPT-6 Astra의 41%를 약간 앞섰다고 보고합니다. 대시보드, 차트, UI 상태를 담은 스크린샷 분석에 적합한 이유입니다.
6단계: 함수 호출
함수 호출에서는 모델이 도구를 호출할 시점을 판단하고, 애플리케이션 코드가 실제 함수를 실행합니다. Large 4의 AutomationBench 에이전트 벤치마크 점수는 59.9%입니다.
먼저 도구 스키마를 정의합니다.
tools = [
{
"type": "function",
"function": {
"name": "get_order_status",
"description": "Look up the status of an order by its ID.",
"parameters": {
"type": "object",
"properties": {
"order_id": {
"type": "string",
"description": "The order ID, e.g. ORD-1042",
}
},
"required": ["order_id"],
},
},
}
]
messages = [
{
"role": "user",
"content": "Where is order 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, tool_call.function.arguments)
모델이 반환한 도구 호출을 실행한 후, 동일한 tool_call_id로 결과를 다시 전달합니다.
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)
도구의 parameters는 일반 JSON 스키마입니다. 이미 OpenAPI 사양이 있다면 각 작업의 요청 스키마를 도구 정의에 활용할 수 있습니다. Apidog에서 API 사양을 먼저 설계하면 도구 정의와 실제 API를 동기화하기 쉽습니다.
7단계: JSON 응답 받기
기계가 읽을 수 있는 출력을 요구할 때는 response_format을 설정합니다.
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": "Extract method, path and status code from: GET /v1/users/42 returned 404. Reply in JSON."
}
],
"response_format": {
"type": "json_object"
}
}'
프롬프트와 response_format 모두에서 JSON 출력을 명시하세요. 더 엄격한 구조가 필요하면 전체 스키마를 지정하는 다음 형식도 사용할 수 있습니다.
{
"type": "json_schema",
"json_schema": {
"...": "..."
}
}
Apidog에서 응답 JSON 스키마 어설션을 추가하면, 응답 형태가 바뀌었을 때 하위 서비스에서 조용히 실패하는 대신 테스트가 명확하게 실패합니다.
비용
| 사용량 | 프리뷰 가격 | 정가 |
|---|---|---|
| 입력, 100만 토큰당 | $0.68 | $1.36 |
| 캐시된 입력, 100만 토큰당 | $0.07 | $0.14 |
| 출력, 100만 토큰당 | $2.09 | $4.18 |
다음과 같은 에이전트를 예로 들어 보겠습니다.
- 하루 호출 수: 10,000회
- 호출당 입력: 3,000토큰
- 호출당 출력: 500토큰
- 입력 3,000토큰 중 캐시된 토큰: 2,500토큰
하루 비용은 다음과 같이 계산할 수 있습니다.
- 입력: 총 3,000만 토큰입니다. 이 중 2,500만 토큰은 캐시 입력 가격인 $0.07, 500만 토큰은 신규 입력 가격인 $0.68이 적용되어 하루 약 $5.15입니다.
- 출력: 총 500만 토큰에 $2.09를 적용하면 하루 약 $10.45입니다.
- 총계: 프리뷰 가격 기준 하루 약 $15.60, 정가 기준 약 $31입니다.
GPT-6 Astra에서 같은 작업 부하를 처리하면 캐싱 할인 전 가격인 입력 100만 토큰당 $10, 출력 100만 토큰당 $50 기준으로 하루 수백 달러가 들 수 있습니다. Mistral은 프리뷰 가격 종료 시점을 밝히지 않았으므로 정가 기준으로도 예산을 잡아야 합니다.
일반적인 오류
| 오류 | 예상 원인 | 해결책 |
|---|---|---|
401 Unauthorized |
키 누락 또는 잘못된 키 |
echo $MISTRAL_API_KEY를 실행하고 Bearer 접두사를 확인 |
404 / 유효하지 않은 모델 |
모델 ID 오타 |
mistral-large-4를 정확히 사용 |
422 Unprocessable Entity |
잘못된 요청 본문, 주로 잘못된 tools 스키마 |
각 도구의 parameters JSON 스키마 검증 |
429 Too Many Requests |
작업 공간 등급에 따른 속도 제한 | 대기 후 재시도하거나 Studio에서 제한 상향 |
| 응답이 목록으로 출력됨 |
reasoning_effort: "high"가 청크를 반환 |
4단계처럼 text 청크 추출 |
자주 묻는 질문
Mistral Large 4는 OpenAI와 호환됩니까?
요청 형태는 매우 유사합니다. model, messages, tools, tool_choice, response_format을 같은 방식으로 사용할 수 있습니다. 다만 추론 출력은 Mistral 자체 청크 형식을 사용하므로, 일반 HTTP 또는 Mistral SDK를 사용하고 응답 파서를 확인하세요.
언제 로컬에서 실행할 수 있습니까?
Mistral은 2026년 10월 말까지 가중치를 출시할 것이라고 밝혔습니다. 총 1.05조 개 매개변수 규모이므로 다중 GPU 서버 하드웨어가 필요합니다. 더 작은 모델을 로컬에서 실행하려면 Mistral 3 로컬에서 실행 가이드를 참고하세요.
프리뷰는 프로덕션에 충분히 안정적입니까?
아직 아닙니다. 이 모델은 공개 프리뷰로 지정되어 있으며 가중치 출시 전까지 변경될 수 있습니다. 테스트 요청을 저장해 두고, Mistral이 모델을 업데이트할 때마다 다시 실행하세요. 대체 모델도 미리 구성해 두는 것이 좋습니다.
기존 Mistral 코드와 Large 4를 함께 사용할 수 있습니까?
가능합니다. 기본 URL, 인증 방식, SDK는 동일합니다. model 문자열만 mistral-large-4로 변경하면 됩니다. Medium 3.5에서 전환한다면 Mistral Medium 3.5 API 가이드도 참고하세요.
마무리
5분이면 Large 4에 대한 첫 호출을 실행할 수 있습니다. 그다음에는 실제 프롬프트를 사용해 Large 4와 현재 모델을 나란히 비교하세요. 두 요청을 모두 Apidog에 저장하고 상태 코드와 응답 형태에 대한 어설션을 추가하면, 프리뷰 가격이 적용되는 동안 Le Chonk가 현재 스택에 적합한지 빠르게 판단할 수 있습니다.
Top comments (0)