Mistral Large 4 Rehberi: Özellikler, Fiyat, reasoning_effort, API Kullanımı ve Claude Karşılaştırması

Ahmet Bilgiç 8 Ekim 2026

Mistral AI, 6 Ekim 2026'da şimdiye kadarki en büyük modeli Mistral Large 4'ü (kısaca ML4) public preview olarak yayınladı. Şirketin duyurusunda modelin resmî olmayan kısaltması ML4, "çok resmî" lakabı ise le Chonk olarak geçiyor. 1 trilyon parametreli, 52 milyar aktif parametreli, doğal olarak multimodal bir Mixture-of-Experts (MoE) modeli; 1 milyon token bağlam penceresi var ve ağırlıklarının ay sonunda açık olarak yayınlanacağı duyuruldu. Üstelik liste fiyatı girdi için milyon token başına 1,36 $, çıktı için 4,18 $ — yani Claude Opus 5.5'in birkaç katı daha ucuz.

Bu rehberde Mistral Large 4'ü yalnızca Mistral'ın kendi resmî kaynaklarına — mistral.ai/news duyurusu, docs.mistral.ai model kartı, reasoning ve function calling dokümanları ile değişiklik günlüğü — dayanarak inceliyoruz: teknik özellikler, fiyat ve lansman indirimi, reasoning_effort ile düşünme modunu yönetme, API'den ilk istek, araç çağırma (function calling), Mistral'ın açıkladığı benchmark sonuçları ve son olarak bir Türk geliştirici için en pratik soru: Mistral Large 4 mü, Claude mu, ne zaman hangisi? Claude tarafındaki fiyat ve özellik bilgileri de Anthropic'in resmî fiyat sayfasından alınmıştır.

Not: Model public preview aşamasında ve Mistral, takviyeli öğrenme (RL) eğitiminin hâlâ sürdüğünü, modelin önümüzdeki haftalarda hızla iyileşmesini beklediklerini açıkça yazıyor. Bu yazıdaki fiyat ve özellikler 8 Ekim 2026 itibarıyla kontrol edilmiştir; üretime almadan önce model kartını yeniden kontrol etmeniz iyi olur.

Mistral Large 4 Nedir?

Mistral'ın model kartındaki tanımıyla Mistral Large 4, "granüler bir Mixture-of-Experts mimarisine sahip, son teknoloji, açık ağırlıklı, genel amaçlı multimodal bir model". Duyuru yazısı ise modeli şirketin "bugüne kadarki en büyük ve en yetenekli modeli" olarak konumluyor. Öne çıkan noktalar şunlar:

  • Ölçek: Toplamda yaklaşık 1,05 trilyon parametre, her token için 52 milyar aktif parametre ve buna ek olarak 1,6 milyar parametreli bir görüntü kodlayıcı (vision encoder).
  • Hibrit model: Talimat takip etme (instruct), akıl yürütme (reasoning) ve ajan yeteneklerini tek modelde birleştiriyor. Ayrı bir "düşünen" model yok; düşünme davranışı istek başına reasoning_effort parametresiyle açılıp kapatılıyor.
  • Doğal multimodal: Görsel girdi kabul ediyor; duyuruda grafikler, belgeler, doğal görüntüler, teknik çizimler ve uydu görüntüleri üzerinde çalışma örnekleri veriliyor.
  • Çok dilli eğitim: Eğitim verisinin önemli bir kısmı çok dilli; 160'tan fazla dili ve Avrupa Birliği'nin tüm resmî dillerini kapsıyor.
  • Avrupa'da eğitim: Model, Mistral'ın Avrupa'daki kendi veri merkezlerinde 3.800 NVIDIA Grace Blackwell GPU üzerinde sıfırdan eğitildi; public preview de aynı altyapıdan sunuluyor.
  • Açık ağırlık (yakında): Ağırlıkların ay sonuna kadar yayınlanacağı, mimari, ek benchmark'lar ve post-training yöntemiyle ilgili ayrıntıların da o zaman paylaşılacağı belirtiliyor.

Mistral, ağırlıklar yayınlanana kadar modeli siber güvenlik şirketleri, doğrulanmış iş ortakları ve devlet kurumlarıyla gerçek ortamlarda "red-team" testinden geçirdiğini, bu grupların modele azaltılmış moderasyon ve genişletilmiş siber yeteneklerle eriştiğini de yazıyor. Ayrıca ML4'ün, ileride çıkacak yeni nesil uzmanlaşmış Mistral modellerinin temeli olacağı ifade ediliyor.

Teknik Özellikler ve Fiyat Tablosu

Model kartındaki değerleri, bir önceki amiral gemisi Mistral Large 3 ile yan yana koyduğumuzda nesil atlamasının boyutu netleşiyor:

ÖzellikMistral Large 4Mistral Large 3
API model adımistral-large-4 (sürüm v26.10)mistral-large-2512 (sürüm v25.12)
DurumPublic Preview (6 Ekim 2026)GA (2 Aralık 2025)
Parametre1,05T toplam / 52B aktif + 1,6B vision encoder675B toplam / 41B aktif
Bağlam penceresi1M token256K token
Girdi fiyatı (liste)1,36 $ / milyon token0,50 $ / milyon token
Önbellekli girdi (liste)0,14 $ / milyon token—
Çıktı fiyatı (liste)4,18 $ / milyon token1,50 $ / milyon token
Lisans"Open" olarak işaretli; lisans adı henüz belirtilmemişApache 2.0

Fiyatlar ABD doları cinsindendir ve 8 Ekim 2026 tarihinde docs.mistral.ai/models/mistral-large-4-0 sayfasından kontrol edilmiştir (sayfa EUR fiyatlarını da gösterir). Large 4'ün lisansı için dikkatli olmak gerekiyor: model kartı modeli "Open" olarak etiketliyor, ancak Large 3'teki gibi açık bir lisans adı (Apache 2.0 vb.) henüz yazmıyor. Ağırlıklar yayınlandığında lisans koşullarını mutlaka kontrol edin; ticari kullanım ve kendi sunucunuzda barındırma kararları buna bağlı olacak.

Lansman indirimi: ilk iki hafta %50

Mistral'ın değişiklik günlüğüne göre lansman fiyatlandırması 2 hafta boyunca %50 indirimli. Model kartında da bu "Sale price" olarak görünüyor: girdi 0,68 $, önbellekli girdi 0,07 $, çıktı 2,09 $ (milyon token başına). İndirim kalıcı değil; maliyet hesaplarınızı ve bütçe tahminlerinizi liste fiyatı (1,36 $ / 4,18 $) üzerinden yapmanızı öneririm. Değerlendirme (eval) çalışmalarınızı indirim dönemine sığdırmak ise mantıklı bir taktik.

Hangi endpoint'ler ve özellikler destekleniyor?

Model kartında Large 4 için listelenen özellikler ve ilgili endpoint'ler şöyle:

  • Chat Completions: /v1/chat/completions
  • Structured Outputs, Function Calling, Document QnA, Prefix: /v1/chat/completions ve /v1/conversations
  • Batching: /v1/batch
  • Agents & Conversations ve Built-In Tools: /v1/agents ve /v1/conversations

Yani Large 4, Mistral platformundaki tam özellik setine sahip: yapılandırılmış JSON çıktısı, araç çağırma, belge üzerinde soru-cevap, toplu işleme ve sunucu tarafı ajanlar. Bu, onu yalnızca "sohbet modeli" değil, ajan iş akışları için bir temel olarak da kullanılabilir kılıyor.

API'den İlk İstek: Mistral Large 4 Nasıl Kullanılır?

Önce Mistral Studio (console.mistral.ai) üzerinden bir API anahtarı oluşturup ortam değişkenine koyun. Resmî örnekler anahtarı MISTRAL_API_KEY değişkeninden okur:

export MISTRAL_API_KEY="buraya-anahtariniz"

Model kartındaki resmî curl örneği, Chat Completions endpoint'ine mistral-large-4 model adıyla ve reasoning_effort parametresiyle istek atıyor:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {
        "role": "user",
        "content": "Write a Python function to merge two sorted linked lists into one sorted list."
      }
    ],
    "reasoning_effort": "high"
  }'

Aynı istek resmî Python SDK'sıyla (mistralai paketi) şöyle görünüyor:

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-4",
    messages=[
        {
            "role": "user",
            "content": "Write a Python function to merge two sorted linked lists into one sorted list.",
        }
    ],
    reasoning_effort="high",
)

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

TypeScript tarafında ise @mistralai/mistralai paketi kullanılıyor:

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: 'Write a Python function to merge two sorted linked lists into one sorted list.',
    },
  ],
  reasoning_effort: 'high',
});

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

Dikkat: Model kartındaki URL'de ve reasoning dokümanında model mistral-large-4-0 olarak da geçiyor; ancak resmî kod örneklerinin tamamında istekte gönderilen ad mistral-large-4. Kodunuzda örneklerdeki adı kullanmanızı öneririm.

reasoning_effort: Düşünme Modunu Açıp Kapatmak

Mistral, eskiden ayrı bir "Magistral" reasoning model ailesi sunuyordu; reasoning dokümanına göre bu yerel magistral-* modelleri artık kullanımdan kaldırılmış (deprecated) durumda. Yeni yaklaşım, tek bir hibrit modelde düşünme davranışını reasoning_effort parametresiyle yönetmek. Dokümana göre mistral-large-4-0, ek bir yapılandırma gerektirmeden bu parametreyi destekliyor; aynı parametreyi mistral-small-latest ve mistral-medium-3-5 de kabul ediyor.

Mistral modelleri için iki değer belgelenmiş:

DeğerDavranışmessage.content biçimi
"high"Model cevaptan önce bir düşünme (thinking) bölümü üretirParça (chunk) listesi: önce ThinkChunk, sonra TextChunk
"none"Düşünme minimumda tutulur, thinking parçası dönmezDüz metin (string)

Bu ayrım kod tarafında önemli bir tuzak yaratıyor: "high" modunda message.content artık bir string değil, bir liste. Liste içindeki type: "thinking" olan ThinkChunk'ın thinking alanı, akıl yürütme izini taşıyan TextChunk nesnelerinden oluşan bir liste; type: "text" olan TextChunk ise nihai cevabı taşıyor. Yukarıdaki resmî örnekteki gibi doğrudan print(response.choices[0].message.content) yaparsanız ekrana nesne listesi basılır. Her iki modu da güvenle işleyen küçük bir yardımcı fonksiyon şöyle yazılabilir:

def split_reasoning(content):
    """reasoning_effort="none" ise string, "high" ise chunk listesi gelir."""
    if isinstance(content, str):
        return "", content

    thinking_parts, answer_parts = [], []
    for chunk in content:
        if chunk.type == "thinking":
            thinking_parts.extend(t.text for t in chunk.thinking)
        elif chunk.type == "text":
            answer_parts.append(chunk.text)
    return "\n".join(thinking_parts), "".join(answer_parts)


thinking, answer = split_reasoning(response.choices[0].message.content)
print("CEVAP:\n", answer)

Streaming'de düşünme parçaları

Akış (streaming) modunda da yapı benzer: düşünme aşamasında delta.content bir ThinkChunk içeren liste olarak gelir; geçiş anında tek bir liste hem kapanan ThinkChunk'ı hem de ilk TextChunk'ı taşır; cevap aşamasında ise delta.content düz string olur. Arayüzünüzde "model düşünüyor…" göstergesi ile asıl cevabı ayırmak istiyorsanız bu üç aşamayı ayrı ayrı ele almanız gerekir.

Çok turlu sohbetlerde ThinkChunk'ı silmeyin

Reasoning dokümanındaki en önemli uyarılardan biri şu: çok turlu konuşmalarda asistan mesajını, ThinkChunk dahil olduğu gibi geçmişe eklemeniz gerekiyor. Mesajı yalnızca cevap metniyle yeniden kurmak token tasarrufu sağlasa da Mistral'a göre çıktı kalitesini belirgin şekilde düşürüyor. Yani maliyet optimizasyonu yaparken ilk akla gelen "düşünme izini at" refleksi bu modelde ters tepebilir; bunun yerine önbellekli girdi fiyatından yararlanmak daha mantıklı.

Hangi işte hangi ayar?

  • "none": Sınıflandırma, kısa özet, basit çeviri, veri çıkarma gibi hızın ve düşük çıktı token'ının önemli olduğu işler.
  • "high": Dokümanın önerdiği gibi matematik ve kodlama gibi karmaşık görevler; Mistral, Medium 3.5 için ajan ve kod senaryolarında "high" öneriyor ve Large 4'ün resmî kod örneklerinin hepsi de "high" kullanıyor.

Agents ve Conversations endpoint'lerinde de aynı parametre kullanılabiliyor; dokümana göre orada reasoning_effort, completion_args alanının içinde gönderiliyor.

Function Calling: Mistral Large 4 ile Araç Çağırma

Large 4'ün ajan iddialarının arkasında araç çağırma (function calling) yeteneği var. Mistral'ın function calling dokümanı akışı beş adımda anlatıyor: (1) geliştirici araçları JSON Schema ile tanımlar, (2) kullanıcı soruyu gönderir, (3) model bir aracı çağırıp çağırmayacağına karar verip argümanları üretir — fonksiyonu kendisi çalıştırmaz, (4) geliştirici fonksiyonu çalıştırıp sonucu döndürür, (5) model sonucu kullanarak nihai cevabı yazar; daha fazla bilgiye ihtiyaç duyarsa yeni bir araç çağrısı isteyebilir, bu yüzden nihai cevap gelene kadar döngü kurmak gerekir.

Kontrol parametreleri:

  • tool_choice: "auto" (varsayılan; model karar verir), "any" (araç kullanımını zorlar), "none" (araç kullanımını engeller).
  • parallel_tool_calls: true (varsayılan; tek turda birden fazla araç çağrısı yapılabilir) veya false (tek çağrıya zorlar).

Aşağıdaki örnek, dokümandaki deseni Large 4'e uyarlıyor. Bir kargo takip fonksiyonu tanımlıyoruz ve model numarayı mesajdan çıkarıp fonksiyonu çağırıyor:

import json
import os
from mistralai.client import Mistral

def kargo_durumu(takip_no: str) -> str:
    # Gerçek projede burada kendi API'nizi çağırırsınız
    return json.dumps({"takip_no": takip_no, "durum": "Dağıtımda", "sube": "Kadıköy"})

tools = [{
    "type": "function",
    "function": {
        "name": "kargo_durumu",
        "description": "Takip numarasına göre kargonun güncel durumunu döndürür",
        "parameters": {
            "type": "object",
            "properties": {
                "takip_no": {"type": "string", "description": "Kargo takip numarası"}
            },
            "required": ["takip_no"],
        },
    },
}]
fonksiyonlar = {"kargo_durumu": kargo_durumu}

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
messages = [{"role": "user", "content": "TR12345 numaralı kargom nerede?"}]

response = client.chat.complete(
    model="mistral-large-4",
    messages=messages,
    tools=tools,
    tool_choice="auto",
    reasoning_effort="none",
)
msg = response.choices[0].message
messages.append(msg)

for call in msg.tool_calls or []:
    sonuc = fonksiyonlar[call.function.name](**json.loads(call.function.arguments))
    messages.append({
        "role": "tool",
        "name": call.function.name,
        "content": sonuc,
        "tool_call_id": call.id,
    })

final = client.chat.complete(model="mistral-large-4", messages=messages, tools=tools)
print(final.choices[0].message.content)

Bu örnekte reasoning_effort="none" seçtik, çünkü görev basit bir veri çekme işi ve düşünme token'ı ödemeye gerek yok. Çok adımlı, birden fazla aracın sırayla kullanıldığı ajan görevlerinde ise "high" daha uygun olacaktır. Unutmayın: "high" kullandığınızda asistan mesajını (thinking parçalarıyla birlikte) olduğu gibi geçmişe eklemeye devam edin.

Benchmark Sonuçları: Mistral Ne İddia Ediyor?

Aşağıdaki rakamların tamamı Mistral'ın kendi duyurusundan alınmıştır; bağımsız doğrulama değildir ve model hâlâ eğitilmeye devam ettiği için ağırlıklar yayınlandığında değişebilir. Yine de modelin hangi alanlarda iddialı olduğunu anlamak için faydalı:

AlanBenchmarkMistral Large 4 sonucu (Mistral'a göre)
Ajan kodlamaDeepSWE v1.1%61,7
Ajan kodlamaSWE-Atlas-QnA%59,4
Terminal iş akışlarıTerminal-Bench 4%28,3
Kodlama (birleşik)Coding Agent Index%49,8 — DeepSeek V4 Pro 0813 ve Qwen3.8 Max'in önünde
Kod kalitesi (insan değerlendirmesi)Surge AI kör değerlendirme, 1–5 puan3,74 — beş model içinde ikinci; birinci Claude Opus 5 (4,22)
Siber güvenlikAA Cyber IndexKüresel ilk beş
Siber güvenlikGerçek bir açığı yeniden üretip yamalama testi%82 — Mistral'a göre tüm modeller içinde en yüksek
Siber güvenlikCybench (40 görev)%93
Ajan iş akışlarıAutomationBench (657 iş akışı)%59,9
Uzun soluklu bilgi işiAA-Briefcase1.393 Elo
Görsel konumlandırmaDense 200%42 (GPT-6 Astra: %41)
GüvenlikLakera B3Saldırıların %93,3'üne direnç

Bu tablo Claude kullanıcıları için ne anlama geliyor?

Duyurudaki en dikkat çekici iki nokta doğrudan Anthropic modellerini ilgilendiriyor:

  • Kod kalitesinde Claude hâlâ önde: Mistral'ın Surge AI ile yaptırdığı kör insan değerlendirmesinde Large 4 Preview 3,74 puanla ikinci olurken birinci sırada Claude Opus 5 (4,22) var. Dikkat edin, karşılaştırılan model Opus 5.5 değil, bir önceki nesil Opus 5. Yani Mistral'ın kendi seçtiği değerlendirmede bile, açık modeller arasında öne çıkan Large 4 kod kalitesinde Claude'un gerisinde kalıyor.
  • Siber güvenlik testinde "ret" farkı: Mistral, açık yeniden üretme + yamalama testinde Claude Opus 5.5 ve GPT-6 Astra'nın görevi reddettikleri için sıfıra yakın puan aldığını yazıyor. Bu bir yetenek ölçümünden çok bir politika farkı; Mistral bunu meşru güvenlik araştırması ve olay müdahalesi için bir avantaj olarak konumluyor. Öte yandan aynı duyuru, Large 4'ün kötü niyetli siber istemleri reddetme oranının karşılaştırılan tüm açık kaynak modellerden yüksek olduğunu da belirtiyor.

Pratik sonuç: Benchmark tablosunu bir "model seçim kararı" olarak değil, bir "deneme listesi" olarak okuyun. Kendi kod tabanınızdan 20–30 gerçek görevle küçük bir eval seti hazırlayıp Large 4'ü, kullandığınız Claude modeliyle aynı görevlerde yarıştırmak, herhangi bir benchmark rakamından daha güvenilir bir sinyal verir.

Mistral Large 4 ve Claude: Fiyat Karşılaştırması

Fiyat, Large 4'ün en güçlü argümanı. Aşağıdaki tablo Mistral model kartı ile Anthropic'in resmî fiyat sayfasındaki değerleri (USD, milyon token başına, 8 Ekim 2026'da kontrol edildi) bir araya getiriyor:

ModelGirdiÖnbellekten okumaÇıktıBağlam
Mistral Large 4 (liste)1,36 $0,14 $4,18 $1M
Mistral Large 4 (2 haftalık lansman indirimi)0,68 $0,07 $2,09 $1M
Claude Opus 5.54 $0,20 $20 $1M
Claude Sonnet 5.52 $0,10 $10 $1M
Claude Haiku 5.5 (100K token'a kadar prompt)0,10 $0,01 $0,50 $1M

Örnek hesap: 1 milyon girdi + 200 bin çıktı token'ı

Tipik bir kod analizi iş yükünü düşünelim: toplam 1 milyon girdi token'ı ve 200 bin çıktı token'ı, önbellek kullanılmadan.

  • Mistral Large 4 (liste): 1 × 1,36 $ + 0,2 × 4,18 $ = 2,20 $ (lansman indirimiyle 1,10 $)
  • Claude Sonnet 5.5: 1 × 2 $ + 0,2 × 10 $ = 4,00 $
  • Claude Opus 5.5: 1 × 4 $ + 0,2 × 20 $ = 8,00 $
  • Mistral Large 3 (karşılaştırma için): 1 × 0,50 $ + 0,2 × 1,50 $ = 0,80 $

Kâğıt üzerinde Large 4, Sonnet 5.5'in yaklaşık yarısı, Opus 5.5'in ise yaklaşık dörtte biri maliyetinde. Ancak bu hesabı yorumlarken üç noktayı göz ardı etmeyin:

  1. Token'lar sağlayıcılar arasında birebir eşit değil. Her sağlayıcının tokenizer'ı farklıdır; aynı metin farklı sayıda token'a dönüşür. Anthropic'in fiyat sayfası bile kendi yeni tokenizer'ının (Claude Opus 4.7 ve sonrası) aynı metin için yaklaşık %30 daha fazla token ürettiğini belirtiyor. Gerçek maliyeti öğrenmenin tek yolu, aynı iş yükünü iki tarafta da çalıştırıp faturaya bakmak.
  2. Düşünme token'ları çıktı olarak faturalanır. reasoning_effort="high" ile çalışan bir model, nihai cevaptan çok daha fazla token üretebilir. Ucuz birim fiyat, uzun düşünme izleriyle birleşince fark daralabilir.
  3. Başarı oranı maliyetin parçasıdır. Bir görevi ilk denemede çözen pahalı model, üç denemede çözen ucuz modelden daha ucuza gelebilir. Ajan iş akışlarında asıl metrik "token başına maliyet" değil, "başarılı görev başına maliyet"tir.

Claude tarafında maliyeti düşürmenin yolları (prompt caching, Batch API'nin %50 indirimi, doğru modeli seçmek) için Claude Code'da Maliyet ve Context Yönetimi yazımıza göz atabilirsiniz.

Mistral Large 4 mü, Claude mu? Karar Rehberi

Resmî kaynaklardaki bilgilerden yola çıkarak bir Türk geliştirici ekibi için pratik bir karar çerçevesi şöyle özetlenebilir:

SenaryoDaha mantıklı seçimGerekçe
Verinin kendi sunucunuzda / on-premise kalması zorunluMistral Large 4 (ağırlıklar yayınlandıktan sonra)Mistral, ağırlıkların ay sonunda yayınlanacağını ve modelin özel bulut veya on-premise çalıştırılabileceğini söylüyor; lisansı bekleyin
Avrupa'da işletilen altyapı tercihi (KVKK/GDPR değerlendirmeleri)Mistral Large 4Mistral, uçtan uca kendisinin işlettiği bir Avrupa dağıtımı olacağını belirtiyor
Yüksek hacimli, maliyet hassas toplu işlerÖnce Large 4'ü deneyinListe fiyatı Sonnet 5.5'in altında; /v1/batch destekleniyor
Güvenlik araştırması, zafiyet doğrulamaLarge 4 dikkate değerMistral'ın kendi testinde kapalı modellerin reddettiği görevleri yapıyor; kurum politikanıza uygunluğunu kontrol edin
Kod kalitesinin kritik olduğu, karmaşık refactor ve uzun ajan oturumlarıClaude (Opus 5.5 / Sonnet 5.5)Mistral'ın kendi kör insan değerlendirmesinde bile birinci Claude Opus 5
Claude Code ile terminalde günlük geliştirmeClaudeClaude Code, Anthropic modelleri için tasarlanmış ajan ortamı; araç zinciri, hook'lar, MCP ve izin sistemi bu modellerle birlikte çalışır
Hızlı, ucuz sınıflandırma ve veri çıkarmaClaude Haiku 5.5 veya Mistral'ın küçük modelleriBu işler için 1T parametreli model gereksiz; Haiku 5.5'in fiyatı Large 4'ün çok altında

Kısacası Large 4, "Claude'un yerine geçen bir model"den çok, açık ağırlık, Avrupa altyapısı ve fiyat eksenlerinde ciddi bir alternatif. En sağlıklı yaklaşım, iki tarafı da tek bir soyutlama katmanının arkasına koyup görev tipine göre yönlendirme (routing) yapmak.

Gerçek Bir İş Akışı: Claude Kullanan Bir Ekip Large 4'ü Nasıl Değerlendirir?

Diyelim ki ekibiniz müşteri destek taleplerini sınıflandıran ve özetleyen bir servisi Claude Sonnet 5.5 ile çalıştırıyor, aylık fatura da büyümeye başladı. Large 4'ü risksiz biçimde değerlendirmek için şu adımları izleyebilirsiniz:

  1. Eval setini hazırlayın: Üretimden anonimleştirilmiş 50–100 gerçek talep alın; her biri için doğru kategori ve "iyi özet" kriterlerini yazın. Türkçe metinlerle test etmek önemli; Mistral modelin 160'tan fazla dilde eğitildiğini söylese de Türkçe performansını kendi verinizle görmelisiniz.
  2. İndirim döneminde koşun: Lansman fiyatı iki hafta boyunca %50 indirimli; eval maliyetini düşürmek için bu pencereyi kullanın.
  3. İki ayarı ayrı ölçün: Aynı seti hem reasoning_effort="none" hem "high" ile çalıştırın. Sınıflandırma gibi işlerde "none" yeterliyse hem gecikme hem çıktı maliyeti ciddi düşer.
  4. Yapılandırılmış çıktı kullanın: Large 4 Structured Outputs'u destekliyor; kategoriyi serbest metin yerine şemaya bağlı JSON olarak alırsanız iki modelin sonuçlarını otomatik karşılaştırmak kolaylaşır.
  5. Gerçek token sayılarını karşılaştırın: Her iki API'nin yanıtındaki kullanım (usage) bilgisini kaydedin; tahmini değil, gerçek faturaya dayalı maliyet hesaplayın.
  6. Kademeli geçiş: Sonuçlar tatmin ediciyse trafiğin küçük bir yüzdesini Large 4'e yönlendirin, kalite metriklerini izleyin. Model preview aşamasında olduğundan kritik yolda bir yedek (fallback) sağlayıcı bulundurun.

Basit bir yönlendirme katmanının iskeleti şöyle olabilir:

import os
from mistralai.client import Mistral

mistral = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

def siniflandir(talep_metni: str) -> str:
    response = mistral.chat.complete(
        model="mistral-large-4",
        messages=[
            {"role": "system", "content": "Destek talebini şu kategorilerden birine ata: fatura, teknik, iade, diger. Sadece kategori adını yaz."},
            {"role": "user", "content": talep_metni},
        ],
        reasoning_effort="none",   # basit iş: düşünme token'ı ödeme
    )
    return response.choices[0].message.content.strip()

reasoning_effort="none" kullandığımız için message.content düz string olarak döner ve doğrudan .strip() uygulanabilir. Aynı fonksiyonu "high" ile çalıştıracaksanız önceki bölümdeki split_reasoning yardımcısını kullanmanız gerekir.

Mistral Vibe CLI ile Kullanılabilir mi?

Mistral'ın Claude Code'a benzeyen terminal kodlama ajanı Mistral Vibe (Vibe CLI), yapılandırmasını TOML formatındaki config.toml dosyasında tutuyor: kullanıcı düzeyinde ~/.vibe/config.toml, proje düzeyinde ise ./.vibe/config.toml (proje dosyası yalnızca güvenilen dizinlerde yüklenir ve kullanıcı ayarlarını ezer). Aktif model active_model anahtarıyla seçiliyor; özel sağlayıcı ve modeller [[providers]] ve [[models]] bloklarıyla tanımlanıyor.

Ancak 8 Ekim 2026 itibarıyla Vibe'ın resmî yapılandırma sayfasındaki model listesinde Large 4 henüz yer almıyor; listede önerilen model Mistral Medium 3.5 (mistral-medium-latest), büyük model olarak ise Mistral Large 3 (mistral-large-latest) görünüyor. Yani Large 4'ün Vibe içinde resmî olarak desteklendiğini söylemek için henüz erken; şimdilik Large 4'ü doğrudan API üzerinden değerlendirmek daha güvenli bir yol. Vibe'ın Large 4 desteği gelirse bunu ayrı bir yazıda ele alacağız.

Bilinmesi Gereken Sınırlamalar ve Belirsizlikler

  • Preview aşaması: Model public preview'da; Mistral RL eğitiminin sürdüğünü ve modelin hızla değişeceğini açıkça söylüyor. Bugün aldığınız sonuçlar birkaç hafta sonra farklı olabilir.
  • Lisans henüz net değil: Ağırlıklar ve lisans koşulları ay sonunda gelecek. Large 3 Apache 2.0 idi; Large 4 için model kartı yalnızca "Open" diyor.
  • Self-hosting donanımı: Her token için yalnızca 52 milyar parametre aktif olsa da toplam 1,05 trilyon parametreli bir modeli kendi sunucunuzda barındırmak ciddi bir altyapı yatırımı gerektirecektir. Mistral resmî donanım gereksinimlerini henüz yayınlamadı; mimari ayrıntılarının ağırlıklarla birlikte paylaşılacağı belirtiliyor.
  • Benchmark'lar şirket beyanı: Tablodaki tüm rakamlar Mistral'ın kendi duyurusundan; bağımsız sıralamalarda yer aldığında yeniden değerlendirmek gerekir.
  • Geçici indirim: %50 lansman indirimi iki haftalık; bütçe planlamasını liste fiyatıyla yapın.

Sıkça Sorulan Sorular

Mistral Large 4'ün API model adı nedir?

Resmî kod örneklerinde istekte gönderilen ad mistral-large-4'tür. Model kartının adresinde ve reasoning dokümanında mistral-large-4-0 ifadesi de geçer; kodunuzda örneklerdeki mistral-large-4 adını kullanmanız önerilir. Model, https://api.mistral.ai/v1/chat/completions endpoint'i üzerinden çağrılır.

Mistral Large 4'ün fiyatı ne kadar?

Liste fiyatı milyon token başına girdi 1,36 $, önbellekli girdi 0,14 $ ve çıktı 4,18 $'dır (8 Ekim 2026). Lansmandan itibaren iki hafta boyunca %50 indirim uygulanıyor: girdi 0,68 $, önbellekli girdi 0,07 $, çıktı 2,09 $. Karşılaştırma için Claude Sonnet 5.5 2 $ / 10 $, Claude Opus 5.5 ise 4 $ / 20 $ seviyesindedir.

Mistral Large 4 açık kaynak mı, ağırlıkları indirilebilir mi?

Mistral, modelin ağırlıklarını Ekim 2026 sonuna kadar yayınlayacağını duyurdu ve model kartı modeli "Open" olarak işaretliyor. Ancak lisans adı henüz belirtilmedi; ticari kullanım ve kendi sunucunuzda barındırma için ağırlıklarla birlikte yayınlanacak lisans koşullarını kontrol etmeniz gerekir.

reasoning_effort parametresi hangi değerleri alır?

Mistral modelleri için iki değer belgelenmiştir: "high" modelin cevaptan önce düşünme bölümü (ThinkChunk) üretmesini sağlar ve message.content bir parça listesi olarak döner; "none" düşünmeyi minimumda tutar ve içerik düz string olarak gelir. Çok turlu sohbetlerde ThinkChunk'ları geçmişten silmemeniz önerilir, aksi hâlde kalite belirgin şekilde düşer.

Mistral Large 4, Claude'dan daha mı iyi?

Mistral'ın kendi duyurusundaki kör insan değerlendirmesinde kod kalitesinde birinci sırada Claude Opus 5 (4,22) yer alırken Large 4 Preview 3,74 puanla ikinci olmuştur. Large 4'ün öne çıktığı alanlar fiyat, 1M bağlam, açık ağırlık planı, Avrupa'da işletilen altyapı ve Mistral'ın kendi siber güvenlik testleridir. Doğru seçim için kendi görevlerinizle küçük bir eval yapmanız en güvenilir yoldur.

Mistral Large 4'ü Claude Code içinde kullanabilir miyim?

Claude Code, Anthropic'in Claude modelleri için tasarlanmış bir kodlama ajanıdır; Mistral'ın Large 4 duyurusunda ve model kartında Claude Code entegrasyonundan söz edilmiyor. Large 4'ü bugün en güvenilir şekilde Mistral API'si üzerinden kullanabilirsiniz; Mistral'ın kendi terminal ajanı Vibe CLI'ın resmî model listesinde ise Large 4 henüz yer almıyor.

Özet

Mistral Large 4, 6 Ekim 2026'da public preview olarak yayınlanan, 1,05 trilyon toplam / 52 milyar aktif parametreli, 1M bağlam pencereli, multimodal ve hibrit (instruct + reasoning) bir MoE modeli. mistral-large-4 adıyla Chat Completions, Conversations, Agents ve Batch endpoint'lerinden kullanılabiliyor; function calling ve yapılandırılmış çıktıyı destekliyor; düşünme davranışı reasoning_effort ile "high" ve "none" arasında değiştiriliyor. Liste fiyatı 1,36 $ / 4,18 $ ile Claude Sonnet 5.5'in ve Opus 5.5'in belirgin şekilde altında; ilk iki hafta ise %50 indirimli. Mistral'ın kendi benchmark'larında siber güvenlik ve ajan iş akışlarında güçlü, kod kalitesi insan değerlendirmesinde ise Claude Opus 5'in arkasında. Ağırlıklar ve lisans ay sonunda gelecek; o zamana kadar Large 4'ü bir "Claude katili" olarak değil, maliyet, veri egemenliği ve açık ağırlık ihtiyaçları için ciddi bir alternatif olarak değerlendirmek en sağlıklısı.

Devamını okuyun: Claude tarafındaki en güncel modelleri tanımak için Claude Opus 5.5 rehberimize ve Claude Sonnet 5.5 rehberimize, farklı sağlayıcıların kodlama ajanlarını karşılaştırmak için ise Gemini CLI rehberimize göz atın.

Kaynaklar: mistral.ai/news/mistral-large-4, Mistral Large 4 model kartı, Mistral reasoning dokümanı, Mistral function calling dokümanı, Mistral değişiklik günlüğü, Vibe CLI yapılandırması, Claude API fiyatlandırması.
Bu yazı Ahmet Bilgiç tarafından ahmetbilgic.com için yazılmıştır. Diğer yazılar için: medium.com/@ahmet_bilgic07