Mistral Large 4는 오픈 가중치 공개 3주 전인 2026년 10월 6일 Mistral API에 출시되었습니다. 1조 개의 매개변수를 가진 “Le Chonk”를 지금 바로 사용해보고 싶다면, API가 유일한 방법이며 현재로서는 가장 저렴한 방법이기도 합니다. Mistral은 공개 프리뷰 기간 동안 **백만 입력 토큰당 $0.68, 백만 출력 토큰당 $2.09**로 가격을 책정했는데, 이는 정가인 $1.36 / $4.18의 절반입니다.
이 가이드는 약 5분 만에 첫 호출을 성공적으로 수행하는 방법을 알려드린 후, 사람들이 어려워하는 부분들(추론 청크, 이미지 입력, 함수 호출, JSON 출력 및 비용)을 다룹니다. 모든 요청은 Apidog에 저장하고 재생할 수 있으므로 Large 4를 현재 사용 중인 모델과 비교할 수 있습니다.
모델 자체가 처음이신가요? 벤치마크 및 사이버 헤드라인 뒤에 숨겨진 내용을 보려면 먼저 Mistral이 돌아왔다: Le Chonk, 사이버에서 GPT-6 Astra와 Claude를 이기다를 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 Studio (이전 명칭 La Plateforme)에 로그인하세요.
- **API 키**를 열고 새 키를 만드세요. `local-dev` 또는 `ci-staging`과 같이 키가 사용될 위치를 나타내는 이름을 지정하세요.
- 한 번 복사하세요. 스튜디오는 다시 보여주지 않습니다.
- 쉘에 다음과 같이 내보내세요:
export MISTRAL_API_KEY="your-key-here"
키는 소스 제어에서 제외하세요. 여러 도구에 키를 연결하는 경우, API 키 관리 모범 사례에 대한 저희 가이드에서 순환 및 범위 지정을 다룹니다.
2단계: 첫 호출하기
가장 빠른 확인 방법은 일반 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."}
]
}'
성공적인 응답은 답변과 함께 `choices[0].message.content`를 반환하며, `prompt_tokens`, `completion_tokens`, `total_tokens`가 포함된 `usage` 블록도 반환합니다. `401` 오류가 발생하면 키가 잘못되었거나 내보내지지 않은 것입니다. 모델에서 `404` 오류는 일반적으로 모델 ID의 오타를 의미합니다.
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)
그리고 TypeScript에서
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
모델을 비교하기 시작하는 순간 curl 명령어를 타이핑하는 것은 지겨워집니다. Apidog에서는 다음과 같습니다:
- 새 HTTP 요청을 생성하세요:
POST https://api.mistral.ai/v1/chat/completions. - 환경 변수
MISTRAL_API_KEY를 추가하고 헤더Authorization: Bearer {{MISTRAL_API_KEY}}를 설정하세요. - 2단계의 JSON 본문을 붙여넣고 **전송**을 누르세요.
- 요청을 복제하고
model을 현재 사용하는 모델(예:mistral-medium-3-5)로 변경한 다음, 둘 다 실행하세요.
이제 동일한 프롬프트로 저장된 두 개의 요청이 있습니다. Apidog는 각 요청의 응답 본문, 상태, 시간 및 크기를 보여주므로 스크립트를 작성할 필요 없이 답변 품질, 지연 시간 및 usage 토큰 수를 비교할 수 있습니다. choices[0].message.content가 비어 있지 않다는 응답 후 어설션을 추가하면 Mistral이 프리뷰를 업데이트할 때마다 다시 실행할 수 있는 스모크 테스트를 갖게 됩니다.
4단계: 추론 켜고 끄기
Large 4는 하이브리드 모델입니다. 동일한 모델이 빠른 답변과 단계별 추론을 처리합니다. `reasoning_effort`라는 하나의 매개변수로 이를 제어합니다:
| 값 | 동작 | 사용처 |
|---|---|---|
"none" |
최소한의 사고, 응답에 사고 청크 없음 | 채팅, 추출, 분류, 지연 시간에 민감한 모든 것 |
"high" |
최종 답변 전 전체 사고 청크 | 디버깅, 다단계 계획, 수학, 코드 검토 |
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"
}'
이 부분이 파서를 망가뜨리는 부분입니다. `reasoning_effort: "high"`를 사용하면 `message.content`는 더 이상 문자열이 아닙니다. 대신 다음과 같은 청크 목록이 됩니다:
- 추론 과정을 담고 있는
thinking청크, 그리고 - 최종 답변을 담고 있는
text청크.
따라서 `response.choices[0].message.content`는 답변이 아닌 목록을 출력할 것입니다. 텍스트 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(c.text for c in content if c.type == "text")
print(answer)
사고 토큰은 출력 토큰으로 청구되므로, `"high"`는 요청당 비용이 더 많이 듭니다. 기본적으로 `"none"`으로 설정하고 필요한 호출에서만 `"high"`로 전환하세요.
5단계: 이미지 보내기
Large 4는 16억 개 매개변수의 비전 인코더를 갖춘 네이티브 멀티모달 모델입니다. 텍스트 옆에 콘텐츠 부분으로 이미지를 전달하세요:
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 파일의 경우, 대신 base64 데이터 URL을 보내세요: "image_url": "data:image/png;base64,<encoded>". Mistral은 Large 4가 Dense 200 시각-접지 벤치마크에서 42%를 기록하여 GPT-6 Astra의 41%를 약간 앞섰다고 보고합니다. 따라서 대시보드, 차트 및 UI 상태의 스크린샷은 합리적인 적합성을 보입니다.
6단계: 함수 호출
함수 호출은 Large 4의 에이전트 벤치마크(AutomationBench에서 59.9%)가 유용해지는 부분입니다. 도구를 설명하면 모델이 언제 호출할지 결정하고, 코드가 해당 호출을 실행합니다.
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)
함수를 직접 실행한 다음, 일치하는 `tool_call_id`와 함께 결과를 다시 보내세요:
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)
도구 스키마는 일반 JSON 스키마입니다. API에 이미 OpenAPI 사양이 있다면, 각 작업의 요청 스키마를 `parameters`로 바로 가져올 수 있습니다. Apidog에서 먼저 사양을 설계하면 도구 정의와 실제 API를 동기화 상태로 유지할 수 있습니다.
7단계: JSON 응답 받기
기계가 읽을 수 있는 출력이 필요한 경우, `response_format`을 설정하세요:
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` 모두에 JSON을 언급하세요. 엄격한 형태를 위해 Mistral은 전체 스키마와 함께 `{"type": "json_schema", "json_schema": {...}}`도 지원합니다. Apidog에서 응답에 JSON 스키마 어설션을 추가하면 형태가 변경될 경우 하위 서비스를 망가뜨리는 대신 명확하게 실패를 알립니다.
비용
| 사용량 | 프리뷰 가격 | 정가 |
|---|---|---|
| 입력, 1백만 토큰당 | $0.68 | $1.36 |
| 캐시된 입력, 1백만 토큰당 | $0.07 | $0.14 |
| 출력, 1백만 토큰당 | $2.09 | $4.18 |
실제 예시: 하루에 10,000번 호출을 하는 에이전트가 있으며, 각 호출은 3,000개의 입력 토큰(대부분 캐시된 시스템 프롬프트 및 도구)과 500개의 출력 토큰을 사용합니다.
- 입력: 3천만 토큰. 각 3,000개 중 2,500개가 캐시된다면, 2천5백만 개는 $0.07로 캐시되고, 5백만 개는 $0.68로 새로 처리되어 하루 약 $5.15입니다.
- 출력: 5백만 토큰을 $2.09로 계산하면 하루 약 $10.45입니다.
- 총계: 프리뷰 가격으로 하루 약 $15.60, 정가로는 약 $31입니다.
GPT-6 Astra(캐싱 할인 전 백만당 $10 / $50)에서 동일한 작업 부하는 하루에 수백 달러가 들 것입니다. Mistral은 프리뷰 가격이 언제 종료될지 밝히지 않았으므로, 정가에 대비하여 예산을 책정하세요.
일반적인 오류
| 오류 | 예상 원인 | 해결책 |
|---|---|---|
401 Unauthorized |
키 누락 또는 잘못된 키 | echo $MISTRAL_API_KEY 및 Bearer 접두사 확인 |
404 / 유효하지 않은 모델 |
모델 ID 오타 | mistral-large-4를 정확히 사용 |
422 Unprocessable Entity |
잘못된 본문, 종종 잘못된 tools 스키마 |
각 도구의 parameters에 있는 JSON 스키마 유효성 검사 |
429 Too Many Requests |
작업 공간 계층에 대한 속도 제한 | 대기 후 재시도하거나 Studio에서 제한 상향 |
| 응답이 목록으로 출력됨 | reasoning_effort: "high"가 청크를 반환함 |
text 청크 추출 (4단계) |
자주 묻는 질문
Mistral Large 4는 OpenAI와 호환됩니까? 요청 형태는 매우 유사합니다: model, messages, tools, tool_choice, response_format 모두 예상대로 작동합니다. 안전을 위해 Mistral SDK 또는 일반 HTTP를 사용하세요. 추론 출력은 Mistral 자체의 청크 형식을 사용합니다.
언제 로컬에서 실행할 수 있습니까? Mistral은 2026년 10월 말까지 가중치가 출시될 것이라고 말합니다. 총 1.05조 개의 매개변수를 가지므로 다중 GPU 서버 하드웨어가 필요합니다. 그동안 저희의 Mistral 3 로컬에서 실행 가이드에서 더 작은 모델을 위한 도구를 다룹니다.
프리뷰는 프로덕션에 충분히 안정적입니까? 아직 아닙니다. 이 모델은 공개 프리뷰로 지정되어 있으며 가중치 출시 전에 변경될 수 있습니다. 테스트를 고정하고, Mistral이 모델을 업데이트할 때 다시 실행하며, 대체 모델을 구성해 두세요.
기존 Mistral 코드와 Large 4를 함께 사용할 수 있습니까? 네, 가능합니다. 동일한 기본 URL, 동일한 인증, 동일한 SDK를 사용합니다. model 문자열을 mistral-large-4로 변경하세요. Medium 3.5에서 전환하는 경우, 이전되는 부분에 대해서는 Mistral Medium 3.5 API 가이드를 참조하세요.
마무리
5분이면 작동하는 호출을 할 수 있습니다. 다음 한 시간은 Large 4와 현재 모델을 나란히 두고 실제 프롬프트를 실행하는 데 더 잘 활용될 것입니다. 두 요청을 모두 Apidog에 저장하고, 상태 및 응답 형태에 대한 어설션을 추가하면, 프리뷰 가격이 여전히 절반 할인될 때 Le Chonk가 귀하의 스택에 자리 잡을 가치가 있는지 하루 안에 알 수 있을 것입니다.