Mistral Large 4 오픈웨이트는 보안 특화판이 아니라 범용판입니다. 1T MoE 구조, 1M 컨텍스트, MaaS 라이선스 조건, 사이버 지수 51의 실제 순위까지 도입 전에 확인할 기준을 정리했습니다.
이 글에는 네이버 브랜드커넥트 제휴 링크가 포함되어 있습니다. 링크를 통해 구매가 이루어지면 작성자가 일정액의 수수료를 지급받습니다. 제품 선택과 구매는 독자의 판단이며, 이 글은 특정 제품의 효과를 보증하지 않습니다.
미스트랄 개요
Mistral Large 4 공개 가중치를 받으면 사내 서버에서 코딩·보안 분석용 모델을 직접 돌릴 수 있습니다. 다만 Mistral Large 4의 보안 특화판은 공개 대상이 아닙니다. 허깅페이스에 올라온 것은 범용판이고, 사이버보안 특화 변형은 심사를 거친 디자인 파트너에게만 프리뷰로 제공됩니다. 이 글에서는 공개된 것과 공개되지 않은 것의 경계, 아키텍처 사양, 보안 벤치마크의 발표치와 독립 측정치, 라이선스·가격 조건을 차례로 봅니다. 직접 배포용 하드웨어 견적은 회사가 공식 수치를 내놓지 않아 뺐습니다.
미스트랄AI는 2026년 10월 6일 이 모델을 Mistral Studio의 프리뷰 API로 먼저 공개했고, 가중치는 그달 말까지 풀겠다고 예고했습니다. 공식 공개 글에는 날짜 없이 “Today”라고만 적혀 있습니다. TechCrunch·The Decoder·Artificial Analysis(AA) 세 곳은 가중치 공개일을 2026년 10월 29일로 보도했습니다. 저장소 이름은 mistralai/Mistral-Large-4-1T-A52B, 별칭은 “Le Chonk”입니다.
관심이 쏠린 까닭은 서방에서 나온 1조 파라미터급 오픈웨이트 모델이라는 데 있습니다. 미스트랄 과학 담당 부사장 Pierre Stock은 TechCrunch 인터뷰에서 오픈웨이트라 누구도 접근을 끊을 수 없다는 점을 자체 통제형(소버린) 사이버 방어의 근거로 들었고, 온프레미스로 돌릴 수 있다는 점도 강조했습니다. 중국산 모델을 쓰기 어려운 조직에는 사실상 첫 대안이 생긴 셈입니다.
반대로 “오픈 모델 중 보안 최강”이라는 주장은 어떤 지표를 고르느냐에 따라 달라집니다. 독립 평가 기관의 종합 사이버 지수에서 오픈 모델 중 상위권이긴 하지만 1위는 아닙니다. 수치별로 나눠 보겠습니다.
1. 공개된 범용판과 비공개 보안 특화판, 무엇이 다른가
도입을 검토한다면 내려받을 수 있는 모델과 보안 전용 모델이 별개라는 점부터 짚어야 합니다. 미스트랄 공식 오픈웨이트 공개 글을 보면 사이버보안 특화 변형이 따로 있습니다. 이 변형은 심사를 통과한 파트너에게만 제공되고, 자사 소유이거나 명시적으로 허가받은 시스템을 통제된 환경에서 시험할 때만 쓸 수 있습니다. The Decoder는 이런 파트너의 예로 Orange Cyberdefense를 들었습니다.
| 구분 | 범용판 (공개 가중치) | 사이버보안 특화 변형 |
|---|---|---|
| 접근 방법 | 허깅페이스에서 누구나 내려받기 | 심사를 거친 디자인 파트너만 이용 |
| 제공 형태 | 가중치 전체 + API | 프리뷰 |
| 사용 범위 | 사용·수정·파인튜닝·상업 이용 자유(MaaS 제외) | 자사 소유·허가받은 시스템에 한정 |
| 사용 환경 | 제한 없음 | 통제된 시험 환경 |
| 일반 공개 일정 | 2026년 10월 29일 공개(보도 기준) | 회사가 공개하지 않음 |
| 신청 경로 | 해당 없음 | 회사가 공개하지 않음 |
실무에서는 이 차이가 크게 작용합니다. 블로그와 보도에 나온 보안 성능 수치는 상당수가 범용판에서 나온 것인지, 프리뷰 시점의 값인지 구분해서 읽어야 합니다. 특화 변형의 신청 경로와 일반 공개 일정은 미스트랄이 아직 밝히지 않았습니다. 지금 계획을 세울 수 있는 대상은 범용판뿐입니다.
미스트랄은 이 모델이 실제 공격 능력을 높여줄(uplift) 가능성을 오픈웨이트 공개 글에서 직접 인정했고, 그에 맞춰 가드레일을 조정하고 있다고 밝혔습니다. 보안 특화판을 일반에 풀지 않은 이유도 같은 오남용 위험 판단에서 나왔다고 보는 게 자연스럽습니다. 범용판을 받는 조직 역시 이 위험을 자체 정책으로 관리해야 합니다.
용어 풀이
1. 오픈웨이트 — 학습이 끝난 모델 파라미터(가중치)를 공개해 누구나 내려받아 직접 돌릴 수 있게 한 방식으로, 학습 데이터·코드 공개까지 뜻하지는 않습니다.
2. uplift(능력 상승) — AI가 숙련도 낮은 사용자의 공격 수행 능력을 실질적으로 끌어올리는 정도를 가리키는 안전성 평가 용어입니다.
2. Mistral Large 4 아키텍처와 사양
허깅페이스 모델카드(2026년 10월 30일 확인 기준)에 적힌 구조는 전문가 혼합(MoE)입니다. 전체 약 1T 파라미터 중 토큰당 활성 파라미터는 49B이고, 임베딩층과 출력층을 넣어 세면 52B입니다. 저장소 이름의 “A52B”는 후자를 가리킵니다. 매체마다 전체 파라미터를 1.05T·1.1T로 다르게 적는 것도 이런 집계 기준 차이 때문입니다.
| 항목 | 값 | 비고 |
|---|---|---|
| 전체 파라미터 | 약 1T | AA 등은 1.05T·1.1T로 표기 |
| 활성 파라미터 | 49B / 52B | 임베딩 제외 / 포함 |
| 전문가 구성 | 라우팅 128개 중 4개 활성 + 공유 1개 | 모델카드 기준 |
| 컨텍스트 | 1M 토큰 | 프리뷰 때는 512K(AA 2026년 10월 6일 기사) |
| 입출력 | 텍스트·이미지 입력 → 텍스트 출력 | 멀티모달 입력 |
| 권장 샘플링 | temperature 1.0, top_p 0.95 | 모델카드 권장값 |
| 추론 강도 | low / medium / high | 기본값 high |
| 추측 디코딩 | 초안 헤드 내장, 처리량 최대 1.9배 | 회사 발표 |
| 학습 인프라 | NVIDIA Grace Blackwell GPU 3,800개 | 모델카드 기준 |
프리뷰와 최종판은 사양이 다릅니다. AA의 2026년 10월 6일 프리뷰 기사는 컨텍스트를 512K로 적었지만 최종 모델카드에는 1M으로 나옵니다. 프리뷰 때 쓰인 비교 글을 근거로 컨텍스트 한계를 잡으면 실제의 절반 수준으로 과소평가하게 됩니다.
속도는 AA 모델 페이지 측정 기준으로 출력 초당 161.3토큰, 첫 토큰까지 1.42초입니다. 이 값은 AA가 잰 호스팅 API 기준이어서, 직접 배포하면 하드웨어와 병렬 구성에 따라 처리량이 달라집니다. 내장 초안 헤드를 쓰면 처리량이 최대 1.9배까지 오른다는 것은 미스트랄 자체 발표 수치입니다.
자체 호스팅 하드웨어는 아직 판단 근거가 부족합니다. 미스트랄은 최소 GPU 구성을 공식 문서에 명시하지 않았고, 모델카드의 배포 예제는 GPU 8장 병렬 구성입니다. 매체 보도에 나온 최소 구성도 서로 엇갈립니다. 직접 배포할 때는 vLLM과 SGLang이 공식 지원되고, NVIDIA NIM과 TensorRT LLM도 지원 목록에 들어 있습니다.
용어 풀이
1. MoE(전문가 혼합) — 여러 하위 신경망(전문가) 중 일부만 골라 계산에 쓰는 구조로, 전체 규모에 비해 토큰당 연산량이 작아집니다.
2. 추측 디코딩 — 작은 초안 모델이 여러 토큰을 먼저 제안하고 본 모델이 한 번에 검증해 생성 속도를 높이는 기법입니다.
3. vLLM·SGLang — 대형 언어 모델을 GPU 서버에서 효율적으로 서빙하기 위한 오픈소스 추론 엔진입니다.
3. 보안 벤치마크, 발표치와 독립 측정치의 간극
보안 성능은 미스트랄 자체 수치와 독립 측정치를 나눠서 봐야 합니다. 미스트랄은 2026년 10월 6일 프리뷰 글에서 실제 오픈소스 취약점을 재현한 뒤 패치하는 시험에서 82%를 기록했고, 보고된 모델 중 최고라고 주장했습니다. 보안 경진대회 문제 40개로 이뤄진 Cybench에서는 93%를 풀었다고 밝혔습니다.
| 지표 | 미스트랄 발표 | 독립 측정·보도 | 판단 |
|---|---|---|---|
| 취약점 재현-패치 | 82%(프리뷰 글) | AA CyberGym-E2E-AA 82%, MiMo-V2.6-Pro 79%, GPT-6 Luna 78% | 프리뷰 기준으로 일치 |
| Cybench | 93%(프리뷰 글) | 독립 측정 보도 없음 | 최종판 수치는 회사가 공개하지 않음 |
| AA 사이버 지수 | 최종 51(프리뷰 50) | Kimi K3.1 Pro 64, DeepSeek V4.1 Flash 57, MiMo-V2.6-Pro 56 | 오픈 모델 중 4위, 가중치 공개 모델 중 3위 |
| 사이버 지수 문항당 비용 | 공개 안 함 | $1.21(The Decoder) | DeepSeek V4.1 Flash보다 훨씬 비쌈 |
| 악의적 요청 거부율 | 평균 96.6%(차트 표기 97%) | — | API 사용 기준값 |
| B3 공격 방어율(Lakera) | 프리뷰 93.3% → 최종 97.1% | — | 회사 발표 |
여기서 놓치기 쉬운 점이 있습니다. 82%와 93%는 최종 오픈웨이트 공개 글에 실리지 않았습니다. 최종 글의 대표 수치는 AA 사이버 지수 51입니다. 재현-패치 82%는 AA 프리뷰 측정과 맞아떨어지지만, 최종 가중치로 같은 점수가 나오는지는 회사도 매체도 아직 확인하지 않았습니다.
“닫힌 모델은 0점에 가깝다”는 비교도 그대로 받아들이기 어렵습니다. 미스트랄은 프리뷰 글에서 Claude Opus 5.5와 GPT-6 Astra가 같은 시험을 거부해 0점에 가깝다고 주장했는데, 이는 거부 정책의 차이를 성능 차이처럼 보이게 하는 비교입니다. 이 주장을 독립적으로 재현했다는 보도도 없습니다.
종합 순위로 보면 위치가 분명합니다. The Decoder 2026년 10월 29일 보도 기준으로 AA 사이버 지수 51은 Kimi K3.1 Pro(64), DeepSeek V4.1 Flash(57), MiMo-V2.6-Pro(56) 다음입니다. Kimi K3.1 Pro는 아직 가중치를 공개하지 않았으니, 가중치가 공개된 모델만 놓고 보면 3위입니다. 서방 오픈웨이트 모델 중에서는 가장 앞서지만 중국 오픈 모델에는 뒤집니다.
용어 풀이
1. Cybench — 보안 경진대회(CTF) 문제로 AI의 공격·분석 능력을 재는 벤치마크로, 미스트랄 시험에는 40문제가 쓰였습니다.
2. B3 벤치마크 — Lakera가 만든 에이전트 보안 시험으로, 프롬프트 주입 같은 공격을 모델이 얼마나 막아내는지 측정합니다.
4. 도입 비용을 가르는 라이선스·가격·배포 경로
라이선스는 MIT를 고친 “Mistral Ecosystem Open-Weight License”입니다. 사용·수정·파인튜닝·상업적 이용은 자유입니다. 단, 이 모델을 서비스로 제공하는 MaaS 사업자는 상업적으로 쓰기 전에 미스트랄과 별도 상업 라이선스를 맺어야 합니다. 사내 보안 분석이나 자사 제품 내장은 문제없지만 모델 자체를 API로 되파는 사업이라면 계약이 먼저입니다. MaaS의 정확한 정의 범위와 라이선스 비용은 회사가 공개하지 않았습니다.
| 항목 | 2026년 10월 30일 기준 값 |
|---|---|
| 입력 (100만 토큰) | $0.70 |
| 캐시 입력 (100만 토큰) | $0.07 |
| 출력 (100만 토큰) | $2.10 |
| AA 혼합 단가 (캐시:입력:출력 = 7:2:1) | $0.40 |
| 프리뷰 정가 (AA 기록) | 입력 $1.36 / 출력 $4.18 |
| 프리뷰 출시 할인가 (AA 기록) | 입력 $0.68 / 출력 $2.09 |
가격 표기도 엇갈립니다. 현재 공식 페이지에는 입력 $0.70·출력 $2.10이 적혀 있지만, AA는 2026년 10월 6일 기사에서 프리뷰 정가를 $1.36/$4.18로, 출시 직후 2주 할인가를 $0.68/$2.09로 기록했습니다. 현재 적용 가격은 $0.70/$2.10이며, 공식 페이지가 언제 바뀌었는지는 회사가 밝히지 않았습니다.
토큰 단가만으로 판단하면 곤란합니다. AA 측정에서 지능 지수 문항당 비용은 ML4가 $2.06으로 DeepSeek V4.1 Flash의 $0.60보다 높습니다. 프리뷰 때 $5.54였던 데서 크게 내려왔는데, AA·The Decoder 기준으로 지능 지수 전체 출력 토큰이 1억 5천만에서 1억 1천만으로 줄어든 영향이 큽니다. 토큰을 덜 쓰는 모델은 단가가 같아도 작업당 비용이 낮아집니다.
이용 경로는 Mistral Studio, Mistral API, OpenRouter, Vibe Code, NVIDIA 호스팅 엔드포인트, Microsoft Foundry입니다. 가중치를 받아 직접 배포하면 데이터가 외부로 나가지 않습니다. 대신 API의 96.6% 거부율 같은 안전 수치는 직접 배포 환경에서 보장되지 않습니다. 오픈웨이트라 내려받은 쪽이 가드레일을 걷어낼 수 있다는 점도 매체들이 함께 지적했습니다.
용어 풀이
1. MaaS(Model-as-a-Service) — 모델을 API 형태로 외부 고객에게 판매·제공하는 사업 방식으로, 이 라이선스에서는 별도 계약 대상입니다.
2. 캐시 입력 — 이전 요청과 겹치는 입력 부분을 재사용해 정상가보다 낮은 단가로 과금하는 방식입니다.
5. 도입 판단 FAQ
Q. 코딩 에이전트 성능은 어느 수준인가요?
미스트랄 최종 글 기준 Terminal-Bench 4.0 점수는 프리뷰 28.3%에서 최종 41%로 올랐습니다. The Decoder 보도로는 GLM-5.3이 40%, Kimi K3.1 Pro가 67%입니다. AA 코딩 에이전트 지수는 미스트랄 발표로 48%인데, 프리뷰 글에는 49.8%로 적혀 있어 자사 수치끼리도 맞지 않습니다. 같은 지수 1위는 Claude Code에 Opus 5.5를 붙인 조합(62)입니다.
Q. 경쟁 오픈 모델과 비교하면 어떤가요?
아래 표는 The Decoder 2026년 10월 29일 보도와 AA 모델 페이지 값을 옮긴 것입니다. 점수와 비용만 보면 중국산 오픈 모델이 대부분 앞섭니다.
| 모델 | AA 지능 지수 v5 | AA 사이버 지수 | 지능 지수 문항당 비용 | 가중치 공개 |
|---|---|---|---|---|
| Mistral Large 4 (high) | 26 | 51 | $2.06 | 공개 |
| DeepSeek V4.1 Flash | 32 | 57 | $0.60 | 공개 |
| GLM-5.3 | 32 | 보도 없음(Flash 변형 50) | $5.01 | 공개 |
| MiMo-V2.6-Pro | 30 | 56 | $0.26 | 공개 |
| Kimi K3.1 Pro | 46 | 64 | $3.68 | 2026년 11월 4일 예정(보도 기준) |
AA 지능 지수 v5에서 ML4는 21개 모델 중 9위로, 비슷한 체급 모델의 중앙값 23보다는 높습니다. Surge 블라인드 비교에서 ML4가 Opus 5.5를 이긴 비율은 22%였고, FrontierCode 2.0에서는 ML4 19.7%, Opus 5.5 46%로 보도됐습니다. 최상위 폐쇄형 모델과는 아직 격차가 큽니다.
Q. 그렇다면 어떤 조직이 고를 만한가요?
ML4는 세 조건이 겹칠 때 유리합니다. 비중국산 모델이어야 하고, 온프레미스나 EU 안에서 운영해야 하며, 모델을 되파는 MaaS 사업자가 아니어야 합니다. 공급망 신뢰나 수출 규제 심사가 까다로운 금융·공공·방산 성격의 조직이라면 점수가 조금 낮아도 출처 조건이 선택을 좌우합니다. 점수와 비용이 우선이고 출처 제약이 없다면 DeepSeek V4.1 Flash나 MiMo-V2.6-Pro가 합리적입니다.
Q. 보안 업무에 바로 투입해도 되나요?
방어적 분석·코드 리뷰·패치 작성 보조라면 범용판으로 충분합니다. 다만 직접 배포한 모델은 거부율이 보장되지 않으므로 접근 권한, 로그, 사용 목적 통제를 조직이 따로 마련해야 합니다. 허가받은 시스템을 대상으로 한 공격 시험까지 염두에 둔다면 보안 특화 변형이 맞습니다. 그런데 이 변형은 심사를 통과한 파트너에게만 제공되고, 신청 경로도 공개되지 않았습니다.
Q. 지금 도입할까, Kimi K3.1 Pro 가중치 공개를 기다릴까요?
The Decoder는 Kimi K3.1 Pro 가중치가 2026년 11월 4일 공개될 예정이라고 보도했습니다. 사이버 지수 64로 오픈 계열 최상위지만 API 가격이 입력 $2·출력 $10이고, 중국산이라는 조건은 같습니다. 출처 제약이 없는 조직이라면 일주일가량 기다렸다가 두 모델을 같은 사내 과제로 비교해 보는 편이 낫습니다.
정리
Mistral Large 4로 지금 내려받을 수 있는 것은 보안 특화판이 아닌 범용판입니다. 약 1T 파라미터(활성 49B/52B) MoE 구조에 1M 컨텍스트를 지원하고, MaaS가 아니면 상업 이용이 자유롭습니다. 보안 성능은 AA 사이버 지수 51로 가중치 공개 모델 중 3위 수준입니다. 82%·93% 같은 수치는 프리뷰 시점에 미스트랄이 발표한 값입니다. 비중국산 모델을 온프레미스에서 돌려야 하는 조직에는 현실적인 선택지입니다. 다만 직접 배포하면 API 기준 안전 수치가 그대로 적용되지 않으니, 이를 전제로 운영 정책을 세워야 합니다.
함께 보면 좋은 제품
- 라이프밀 홀그레인 저당 그래놀라 그릭요거트토핑 귀리 시리얼 140g (11,000원)
- 그릭요거트 토핑을 올린 귀리 그래놀라 시리얼입니다.
위 링크는 제휴 링크이며, 제품 선택은 독자의 판단입니다.
참고 자료
조사 기준일: 2026년 10월 30일
본문의 수치는 아래 자료에서 확인한 것입니다. 제조사 공식 자료(T1)와 전문 매체 실측(T2)을 구분해 표기했습니다. 가격·공급 상황은 변동이 크므로 기준일 이후의 값은 다시 확인해야 합니다.
공식 자료 (확인일 2026-10-30)
– 미스트랄, Introducing Mistral Large 4 (2026-10-06): https://mistral.ai/news/mistral-large-4/
– 미스트랄, Mistral Large 4 (Le Chonk) is now open weight: https://mistral.ai/news/mistral-large-4-oss/
– 허깅페이스 모델카드: https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B
– TechCrunch (2026-10-29): https://techcrunch.com/2026/10/29/mistral-releases-weights-for-its-trillion-parameter-ai-model-targeting-cybersecurity/
– Fortune (2026-10-29): https://fortune.com/2026/10/29/mistral-releases-new-model-large-4-and-claims-top-open-model-for-agentic-coding-and-cyber-defense/
– The Decoder (2026-10-29): https://the-decoder.com/paris-based-mistral-releases-le-chonk-a-strong-coding-model-that-still-trails-china-overall/
– Artificial Analysis 모델 페이지: https://artificialanalysis.ai/models/mistral-large-4
– Artificial Analysis 기사 (2026-10-06): https://artificialanalysis.ai/articles/mistral-large-4-france-ai
– The New Stack (2026-10-29, 본문을 읽지 못해 제목만 확인): https://thenewstack.io/mistral-chonk-coding-model/
답글 남기기