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 im Moment ist sie auch der günstigste Weg: 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 $.

Dieser Leitfaden führt Sie in etwa fünf Minuten von Null zu einem funktionierenden ersten Aufruf und behandelt dann die Teile, die Schwierigkeiten bereiten: Reasoning Chunks, Bildeingabe, Funktionsaufrufe, JSON-Ausgabe und Kosten. Jede Anfrage kann in Apidog gespeichert und wiedergegeben werden, sodass Sie Large 4 mit jedem Modell vergleichen können, das Sie heute verwenden.

Neu bei dem Modell selbst? Lesen Sie zuerst Mistral ist zurück: Le Chonk schlägt GPT-6 Astra und Claude bei Cyber für die Benchmarks und den Haken hinter der Cyber-Schlagzeile.

Was Sie benötigen

Schritt 1: API-Schlüssel erhalten

1. Melden Sie sich bei Mistral Studio (ehemals La Plateforme) an.
2. Öffnen Sie API Keys und erstellen Sie einen neuen Schlüssel. Geben Sie ihm einen Namen, der seinen Verwendungsort angibt, z. B. local-dev oder ci-staging.
3. Kopieren Sie ihn einmal. Das Studio wird ihn danach nicht mehr anzeigen.
4. Exportieren Sie ihn in Ihrer Shell:

export MISTRAL_API_KEY="your-key-here"

Halten Sie den Schlüssel aus der Versionskontrolle fern. Wenn Sie ihn in mehrere Tools integrieren, deckt unser Leitfaden zu den Best Practices für das API-Schlüsselmanagement Rotation und Scoping ab.

Schritt 2: Ihren ersten Aufruf tätigen

Die schnellste Prüfung ist ein einfacher Curl-Befehl:

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."}
    ]
  }'

Eine erfolgreiche Antwort gibt choices[0].message.content mit der Antwort und einen usage-Block mit prompt_tokens, completion_tokens und total_tokens zurück. Wenn Sie einen 401 erhalten, ist der Schlüssel falsch oder nicht exportiert. Ein 404 beim Modell bedeutet normalerweise einen Tippfehler in der Modell-ID.

Der gleiche Aufruf in Python

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)

Und in TypeScript

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);

Schritt 3: In Apidog speichern

Curl-Befehle einzutippen wird schnell lästig, sobald Sie beginnen, Modelle zu vergleichen. In Apidog:

1. Erstellen Sie eine neue HTTP-Anfrage: POST https://api.mistral.ai/v1/chat/completions.
2. Fügen Sie eine Umgebungsvariable MISTRAL_API_KEY hinzu und setzen Sie den Header Authorization: Bearer {{MISTRAL_API_KEY}}.
3. Fügen Sie den JSON-Body aus Schritt 2 ein und klicken Sie auf Send.
4. Duplizieren Sie die Anfrage, ändern Sie model auf das Modell, das Sie heute verwenden (zum Beispiel mistral-medium-3-5), und führen Sie beide aus.

Sie haben nun zwei gespeicherte Anfragen mit dem gleichen Prompt. Apidog zeigt den Antwort-Body, Status, Timing und Größe für jede an, sodass Sie die Antwortqualität, Latenz und usage-Token-Anzahl vergleichen können, ohne ein Skript zu schreiben. Fügen Sie eine Post-Response-Assertion hinzu, dass choices[0].message.content nicht leer ist, und Sie haben einen Smoke-Test, den Sie jedes Mal ausführen können, wenn Mistral die Vorschau aktualisiert.

Schritt 4: Reasoning ein- und ausschalten

Large 4 ist ein Hybridmodell: dasselbe Modell verarbeitet schnelle Antworten und schrittweises Reasoning. Sie steuern es mit einem Parameter, reasoning_effort:

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"
  }'

Dieser Teil bringt Parser zum Absturz. Mit reasoning_effort: "high" ist message.content keine Zeichenfolge mehr. Es wird zu einer Liste von Chunks:

• ein thinking-Chunk, der die Reasoning-Spur enthält, und
• ein text-Chunk, der die endgültige Antwort enthält.

Daher wird response.choices[0].message.content eine Liste ausgeben, nicht Ihre Antwort. 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(c.text for c in content if c.type == "text")

print(answer)

Thinking-Tokens werden als Ausgabe-Tokens abgerechnet, daher kostet "high" pro Anfrage mehr. Standardmäßig verwenden Sie "none" und schalten nur bei den Aufrufen, die es benötigen, auf "high" um.

Schritt 5: Ein Bild senden

Large 4 ist nativ multimodal, mit einem Vision-Encoder mit 1,6 Milliarden Parametern. Übergeben Sie Bilder als Inhaltsbestandteile neben Ihrem 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"}
        ]
      }
    ]
  }'

Für lokale Dateien senden Sie stattdessen eine Base64-Daten-URL: "image_url": "data:image/png;base64,<encoded>". Mistral berichtet, dass Large 4 auf dem Dense 200 Visual-Grounding-Benchmark 42 % erreicht, knapp vor GPT-6 Astras 41 %, sodass Screenshots von Dashboards, Diagrammen und UI-Zuständen gut geeignet sind.

Schritt 6: Funktionsaufruf

Funktionsaufrufe sind der Bereich, in dem die Agent-Benchmarks von Large 4 (59,9 % auf AutomationBench) nützlich werden. Sie beschreiben Tools, das Modell entscheidet, wann sie aufgerufen werden sollen, und Ihr Code führt den Aufruf aus.

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, tool_call.function.arguments)

Führen Sie die Funktion selbst aus und senden Sie dann das Ergebnis mit der passenden 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)

Das Tool-Schema ist ein einfaches JSON-Schema. Wenn Ihre API bereits eine OpenAPI-Spezifikation hat, können Sie das Anforderungsschema für jede Operation direkt in parameters übernehmen. Das erstmalige Entwerfen der Spezifikation in Apidog hält die Tool-Definitionen und die echte API synchron.

Schritt 7: JSON zurückerhalten

Wenn Sie maschinenlesbare Ausgabe benötigen, setzen Sie response_format:

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"}
  }'

Erwähnen Sie JSON sowohl im Prompt als auch in response_format. Für strikte Formen unterstützt Mistral auch {"type": "json_schema", "json_schema": {...}} mit einem vollständigen Schema. Fügen Sie in Apidog eine JSON-Schema-Assertion für die Antwort hinzu, damit eine abweichende Form lautstark fehlschlägt, anstatt einen nachgelagerten Dienst zu unterbrechen.

Was es kostet

Ein Beispiel: Ein Agent, der 10.000 Aufrufe pro Tag tätigt, jeder mit 3.000 Eingabe-Tokens (hauptsächlich ein zwischengespeicherter System-Prompt und Tools) und 500 Ausgabe-Tokens.

• Eingabe: 30 Mio. Tokens. Wenn 2.500 von je 3.000 zwischengespeichert sind, sind das 25 Mio. zwischengespeichert zu 0,07 $ und 5 Mio. neu zu 0,68 $, etwa 5,15 $/Tag.
• Ausgabe: 5 Mio. Tokens zu 2,09 $, etwa 10,45 $/Tag.
• Gesamt: ungefähr 15,60 $/Tag zum Vorschaupreis, oder etwa 31 $ zum Listenpreis.

Die gleiche Arbeitslast auf GPT-6 Astra (10 $ / 50 $ pro Million, vor Caching-Rabatten) würde mehrere hundert Dollar pro Tag kosten. Mistral hat nicht gesagt, wann die Vorschaupreise enden, also planen Sie mit dem Listenpreis.

Häufige Fehler

FAQ

Ist Mistral Large 4 OpenAI-kompatibel? Die Anforderungsform ist sehr ähnlich: model, messages, tools, tool_choice und response_format funktionieren alle wie erwartet. Verwenden Sie die Mistral SDKs oder reines HTTP, um sicherzugehen. Die Reasoning-Ausgabe verwendet Mistrals eigenes Chunk-Format.

Wann kann ich es lokal ausführen? Mistral sagt, die Weights werden Ende Oktober 2026 veröffentlicht. Mit insgesamt 1,05 Billionen Parametern benötigt es Serverhardware mit mehreren GPUs. Unser Leitfaden Mistral 3 lokal ausführen behandelt in der Zwischenzeit die Tools für die kleineren Modelle.

Ist die Vorschau stabil genug für die Produktion? Noch nicht. Das Modell ist als öffentliche Vorschau gekennzeichnet und kann sich vor der Veröffentlichung der Weights ändern. Pinnen Sie Ihre Tests, führen Sie sie erneut aus, wenn Mistral das Modell aktualisiert, und halten Sie ein Fallback-Modell konfiguriert.

Kann ich Large 4 mit meinem bestehenden Mistral-Code verwenden? Ja. Dieselbe Basis-URL, dieselbe Authentifizierung, dasselbe SDK. Ändern Sie die model-Zeichenfolge auf mistral-large-4. Wenn Sie von Medium 3.5 kommen, lesen Sie unseren Mistral Medium 3.5 API-Leitfaden für die Teile, die übernommen werden.

Zusammenfassung

Fünf Minuten reichen für einen funktionierenden Aufruf. Die nächste Stunde ist besser damit verbracht, Ihre echten Prompts parallel mit Large 4 und Ihrem aktuellen Modell auszuführen. Speichern Sie beide Anfragen in Apidog, fügen Sie Assertions für Status und Antwortform hinzu, und Sie werden innerhalb eines Tages wissen, ob Le Chonk einen Platz in Ihrem Stack verdient, solange der Vorschaupreis noch um die Hälfte reduziert ist.