Mistral Large 4 po polsku: mój test w 13 zadaniach

👁 120 przeczytań

Mistral Large 4 dostał w moim teście po polsku 69,2 pkt na 100 z rozumowaniem i 65,6 pkt bez niego. To poziom poprzedniego flagowca Mistrala, Medium 3.5, i wyraźnie mniej niż Claude Sonnet 5.5, GPT-6.1 Sol czy DeepSeek V4 Pro. Świetnie zna polszczyznę (quiz 46/46), ale w trybie rozumowania potrafi „przemyśleć” cały limit tokenów i nie oddać odpowiedzi. O samej premierze piszę w newsie Mistral Large 4, a o firmie w hubie Mistral AI.

Jak testowałem

Laboratorium Promptowego to mój stały zestaw 13 poleceń, przez który przeszło już ponad 30 modeli:

1. 9 zadań pisarskich: artykuł na bloga, opis produktu, odpowiedź na skargę klienta, post na LinkedIn, opowiadanie, 10 tytułów SEO, streszczenie w 5 punktach, wyjaśnienie inflacji dziecku i tłumaczenie newslettera;
2. 2 korekty tekstu z błędami (łatwa z 22 błędami i trudna z 30);
3. 2 quizy z polszczyzny (46 i 48 pytań).

Teksty oceniali w ciemno dwaj sędziowie (Claude Opus 5.5 i GPT-6 Sol) w trzech kryteriach: poprawność, naturalność, wykonanie polecenia. Wynik końcowy to w 70% ocena sędziów, w 20% spełnienie twardych reguł z poleceń (limity słów, liczba punktów) i w 10% higiena tekstu. Żeby wynik dało się porównać ze starszymi rundami, w tej samej puli oceniałem 4 modele kotwiczące (Opus 5.5, GPT-6 Luna, Qwen3.8 Max, GLM-5.3) i przesuwałem skalę o średnią różnicę. Kotwice ułożyły się w tej samej kolejności co w pierwszej rundzie, a przesunięcie wyniosło +1,38 i +1,0 pkt.

OpenRouter pozwala dla Large 4 ustawić tylko rozumowanie pełne albo wyłączone (inne modele w Laboratorium biegły na niskim poziomie rozumowania). Dlatego zrobiłem dwie rundy: z rozumowaniem i bez.

Wyniki

Średnia sędziów w poszczególnych zadaniach (1-10):

Co dokładnie poszło nie tak

• Puste odpowiedzi przy rozumowaniu. W opisie produktu (limit 6000 tokenów) i trudnej korekcie (8000) model trzy razy pod rząd zużył cały limit i nie oddał ani słowa. W tytułach SEO trzecia próba skończyła się po dwóch tytułach z dziesięciu. Inne modele dostały te same limity i się w nich mieściły, więc liczę to jako błąd modelu, a nie testu.
• Dopowiedziane fakty. W mailu do klienta wersja z rozumowaniem napisała, że przewoźnik „potwierdził dostawę na 3 października”, choć w poleceniu była tylko przewidywana data. Wersja bez rozumowania dodała od siebie, że paczka utknęła „z przyczyn niezależnych od nas”. Obaj sędziowie wychwycili jedno i drugie.
• Błąd logiczny w tekście dla dziecka. Wersja z rozumowaniem napisała, że warto oszczędzać pieniądze na później, „bo z czasem będą warte mniej niż dzisiaj”. To odwrotność sensownej rady. Wersja bez rozumowania powtórzyła ten sam błąd i dodała lizak za 20 zł.
• Jednostki i kalki. W artykule o oszczędzaniu prądu pojawiły się „waty na godzinę”, w tłumaczeniu „piłka jest teraz po naszej stronie”.
• Rok 2024 w tytułach. Bez rozumowania model dał 10 poprawnych tytułów, ale w jednym wpisał „2024”. Tak samo zrobił w urwanej wersji z rozumowaniem.
• Półpauzy. Bez rozumowania model wstawiał ich 20,6 na 1000 słów, z rozumowaniem 8,7. Dla porównania Claude Opus 5.5 - 5,1.

Co wyszło dobrze: tłumaczenie newslettera z rozumowaniem dostało 8,33 i zachowało sens idiomów („kubeł zimnej wody”, „szczęście w nieszczęściu”), streszczenie było rzeczowe, a quizy z polszczyzny model rozwiązał prawie bezbłędnie. W łatwej korekcie poprawił 21 z 22 błędów.

Na tle innych modeli

Wyniki z tej samej metody, skalibrowane do jednej skali (ranking ze wszystkimi modelami jest w rankingu AI do pisania po polsku):

Ceny z listy OpenRoutera z 7.10.2026, Mistral według cennika producenta. Ceny DeepSeeka zmieniają się często. Bielik był testowany lokalnie na RTX 4090 tą samą metodą w rundzie modeli lokalnych. Gemini 4 Argon nie ma jeszcze w Laboratorium, bo nie ma go na OpenRouterze.

Czy warto go używać po polsku

• Do tekstów, które ktoś przeczyta: raczej nie. Za podobne albo mniejsze pieniądze Gemini 3.8 Flash i DeepSeek V4 Pro piszą lepiej, a Sonnet 5.5 dużo lepiej.
• Do zadań z wiedzą o języku (korekta, sprawdzanie pisowni): tak, ale bez rozumowania - jest szybki, tani i w trudnej korekcie poprawił 24 z 30 błędów.
• Z rozumowaniem: ustaw duży limit tokenów albo licz się z pustymi odpowiedziami. U mnie 9 tekstów zajęło prawie 15 minut.
• Gdy liczy się europejski dostawca i otwarte wagi: to najmocniejszy duży model z Europy. Po premierze wag ocena może się zmienić, bo Mistral zapowiada finalny checkpoint.

Wszystkie odpowiedzi Large 4 możesz przeczytać obok odpowiedzi innych modeli w Arenie modeli AI po polsku - dopisałem tam oba warianty. Pełne porównanie cen i benchmarków jest w tekście Mistral Large 4 vs Claude, GPT, Gemini i DeepSeek.

Źródła i metoda

• Laboratorium Promptowego: 13 poleceń, wyniki i oceny zapisane lokalnie, test 7.10.2026 przez OpenRouter (dostawca Mistral).
• Mistral Large 4 na OpenRouterze (parametry rozumowania, cena)
• Ogłoszenie Mistrala (6.10.2026)

Sprawdziłem: 7 października 2026.