Cara Menggunakan Mistral Large 4 API

Mistral Large 4 diluncurkan di API Mistral pada tanggal 6 Oktober 2026, tiga minggu sebelum bobot terbukanya. Jika Anda ingin mencoba "Le Chonk" berparameter 1 triliun sekarang, API adalah satu-satunya cara, dan saat ini juga merupakan cara termurah: Mistral menawarkannya seharga $0,68 per juta token masukan dan $2,09 per juta token keluaran selama pratinjau publik, separuh dari harga daftar $1,36 / $4,18.

Panduan ini membawa Anda dari nol hingga panggilan pertama yang berfungsi dalam waktu sekitar lima menit, kemudian membahas bagian-bagian yang membuat orang tersandung: potongan penalaran, masukan gambar, pemanggilan fungsi, keluaran JSON, dan biaya. Setiap permintaan dapat disimpan dan diputar ulang di Apidog sehingga Anda dapat membandingkan Large 4 dengan model apa pun yang Anda gunakan saat ini.

Baru mengenal model itu sendiri? Baca Mistral Is Back: Le Chonk Beats GPT-6 Astra and Claude at Cyber terlebih dahulu untuk melihat tolok ukur dan maksud di balik berita utama siber tersebut.

Apa yang Anda butuhkan

Langkah 1: Dapatkan kunci API

1. Masuk ke Mistral Studio (sebelumnya La Plateforme).
2. Buka API Keys dan buat kunci baru. Beri nama yang menunjukkan tempat penyimpanannya, seperti local-dev atau ci-staging.
3. Salin sekali saja. Studio tidak akan menampilkannya lagi.
4. Ekspor di shell Anda:

export MISTRAL_API_KEY="kunci-anda-di-sini"

Jauhkan kunci dari kontrol sumber. Jika Anda menghubungkannya ke beberapa alat, panduan kami tentang praktik terbaik manajemen kunci API mencakup rotasi dan pembatasan cakupan.

Langkah 2: Lakukan panggilan pertama Anda

Pemeriksaan tercepat adalah curl biasa:

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": "Berikan saya tiga kasus batas untuk diuji pada API paginasi."}
    ]
  }'

Respons yang berhasil mengembalikan choices[0].message.content dengan jawaban dan blok usage dengan prompt_tokens, completion_tokens dan total_tokens. Jika Anda mendapatkan 401, kuncinya salah atau tidak diekspor. 404 pada model biasanya berarti ada salah ketik dalam ID model.

Panggilan yang sama dalam 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": "Berikan saya tiga kasus batas untuk diuji pada API paginasi."}
    ],
)

print(response.choices[0].message.content)

Dan dalam 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: "Berikan saya tiga kasus batas untuk diuji pada API paginasi." },
  ],
});

console.log(response.choices[0].message.content);

Langkah 3: Simpan di Apidog

Mengetik perintah curl menjadi membosankan saat Anda mulai membandingkan model. Di Apidog:

1. Buat permintaan HTTP baru: POST https://api.mistral.ai/v1/chat/completions.
2. Tambahkan variabel lingkungan MISTRAL_API_KEY dan atur header Authorization: Bearer {{MISTRAL_API_KEY}}.
3. Tempelkan badan JSON dari Langkah 2 dan tekan Kirim.
4. Duplikasikan permintaan, ubah model ke model yang Anda gunakan hari ini (misalnya mistral-medium-3-5), dan jalankan keduanya.

Anda sekarang memiliki dua permintaan yang tersimpan dengan prompt yang sama. Apidog menampilkan badan respons, status, waktu, dan ukuran untuk masing-masing, sehingga Anda dapat membandingkan kualitas jawaban, latensi, dan jumlah token usage tanpa menulis skrip. Tambahkan pernyataan pasca-respons bahwa choices[0].message.content tidak kosong dan Anda memiliki uji coba asap yang dapat Anda jalankan ulang setiap kali Mistral memperbarui model.

Langkah 4: Mengaktifkan dan menonaktifkan penalaran

Large 4 adalah model hibrida: model yang sama menangani jawaban cepat dan penalaran langkah demi langkah. Anda mengontrolnya dengan satu 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": "API kami mengembalikan 200 dengan badan kosong di bawah beban. Sebutkan kemungkinan penyebabnya secara berurutan berdasarkan probabilitas."}
    ],
    "reasoning_effort": "high"
  }'

Ini adalah bagian yang merusak parser. Dengan reasoning_effort: "high", message.content bukan lagi sebuah string. Ini menjadi daftar potongan:

• potongan thinking yang berisi jejak penalaran, dan
• potongan text yang berisi jawaban akhir.

Jadi response.choices[0].message.content akan mencetak daftar, bukan jawaban Anda. Tarik potongan teks secara eksplisit:

response = client.chat.complete(
    model="mistral-large-4",
    messages=[{"role": "user", "content": "Mengapa respons 200 memiliki badan yang kosong?"}],
    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)

Token pemikiran ditagih sebagai token keluaran, jadi "high" lebih mahal per permintaan. Atur default ke "none" dan beralihlah ke "high" hanya pada panggilan yang membutuhkannya.

Langkah 5: Mengirim gambar

Large 4 bersifat multimodal secara native, dengan encoder visi berparameter 1,6B. Teruskan gambar sebagai bagian konten di samping teks Anda:

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": "Ini adalah tangkapan layar dasbor kesalahan API kami. Titik akhir mana yang paling sering gagal dan apa kode kesalahannya?"},
          {"type": "image_url", "image_url": "https://example.com/dashboard.png"}
        ]
      }
    ]
  }'

Untuk file lokal, kirim URL data base64 sebagai gantinya: "image_url": "data:image/png;base64,<encoded>". Mistral melaporkan Large 4 memperoleh skor 42% pada tolok ukur penentuan visual Dense 200, sedikit di atas GPT-6 Astra 41%, jadi tangkapan layar dasbor, bagan, dan status UI merupakan kecocokan yang wajar.

Langkah 6: Pemanggilan fungsi

Pemanggilan fungsi adalah tempat tolok ukur agen Large 4 (59,9% pada AutomationBench) menjadi berguna. Anda menjelaskan alat, model memutuskan kapan harus memanggilnya, dan kode Anda menjalankan panggilan.

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Cari status pesanan berdasarkan ID-nya.",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string", "description": "ID pesanan, mis. ORD-1042"}
                },
                "required": ["order_id"],
            },
        },
    }
]

messages = [{"role": "user", "content": "Di mana pesanan 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)

Jalankan fungsi itu sendiri, lalu kirim kembali hasilnya dengan tool_call_id yang cocok:

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)

Skema alat adalah Skema JSON biasa. Jika API Anda sudah memiliki spesifikasi OpenAPI, Anda dapat mengangkat skema permintaan untuk setiap operasi langsung ke parameters. Merancang spesifikasi di Apidog terlebih dahulu membuat definisi alat dan API nyata tetap sinkron.

Langkah 7: Dapatkan JSON kembali

Ketika Anda membutuhkan keluaran yang dapat dibaca mesin, atur 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": "Ekstrak metode, jalur, dan kode status dari: GET /v1/users/42 mengembalikan 404. Balas dalam JSON."}
    ],
    "response_format": {"type": "json_object"}
  }'

Sebutkan JSON dalam prompt serta dalam response_format. Untuk bentuk yang ketat, Mistral juga mendukung {"type": "json_schema", "json_schema": {...}} dengan skema lengkap. Di Apidog, tambahkan pernyataan Skema JSON pada respons agar bentuk yang menyimpang gagal dengan keras daripada merusak layanan hilir.

Berapa biayanya

Contoh yang dikerjakan: agen yang melakukan 10.000 panggilan sehari, masing-masing dengan 3.000 token masukan (terutama prompt sistem yang di-cache dan alat) dan 500 token keluaran.

• Masukan: 30 juta token. Jika 2.500 dari setiap 3.000 di-cache, itu berarti 25 juta di-cache seharga $0,07 dan 5 juta yang baru seharga $0,68, sekitar $5,15/hari.
• Keluaran: 5 juta token seharga $2,09, sekitar $10,45/hari.
• Total: sekitar $15,60/hari dengan harga pratinjau, atau sekitar $31 dengan harga daftar.

Beban kerja yang sama pada GPT-6 Astra ($10 / $50 per juta, sebelum diskon caching) akan menelan biaya beberapa ratus dolar sehari. Mistral belum mengatakan kapan harga pratinjau berakhir, jadi anggarkan berdasarkan harga daftar.

Kesalahan umum

FAQ

Apakah Mistral Large 4 kompatibel dengan OpenAI? Bentuk permintaannya sangat mirip: model, messages, tools, tool_choice, dan response_format semuanya berfungsi seperti yang Anda harapkan. Gunakan SDK Mistral atau HTTP biasa agar aman. Keluaran penalaran menggunakan format potongan Mistral sendiri.

Kapan saya bisa menjalankannya secara lokal? Mistral mengatakan bobotnya akan dikirimkan pada akhir Oktober 2026. Dengan total 1,05T parameter, ia membutuhkan perangkat keras server multi-GPU. Panduan kami menjalankan Mistral 3 secara lokal membahas perangkat untuk model yang lebih kecil sementara itu.

Apakah pratinjau ini cukup stabil untuk produksi? Belum. Model ini diberi label pratinjau publik dan dapat berubah sebelum rilis bobot. Sematkan pengujian Anda, jalankan ulang saat Mistral memperbarui model, dan siapkan model cadangan yang dikonfigurasi.

Dapatkah saya menggunakan Large 4 dengan kode Mistral yang ada? Ya. URL dasar yang sama, otentikasi yang sama, SDK yang sama. Ubah string model menjadi mistral-large-4. Jika Anda berasal dari Medium 3.5, lihat panduan API Mistral Medium 3.5 kami untuk bagian-bagian yang dapat digunakan kembali.

Rangkuman

Lima menit memungkinkan Anda melakukan panggilan yang berfungsi. Satu jam berikutnya lebih baik dihabiskan untuk menjalankan prompt Anda yang sebenarnya terhadap Large 4 dan model Anda saat ini secara bersamaan. Simpan kedua permintaan di Apidog, tambahkan pernyataan pada status dan bentuk respons, dan Anda akan tahu dalam sehari apakah Le Chonk layak masuk ke tumpukan Anda, selagi harga pratinjau masih setengah harga.