KI-Arena der Woche: Mistral Large 4 steigt im Ranking ein

👁 115 Aufrufe

In dieser Woche sind 2 neue Modelle zur Text-Benchmark-Arena hinzugekommen: Mistral Large 4 und Mistral Large 4 (ohne Reasoning). Am höchsten platzierte sich Mistral Large 4 auf Rang 17 unter 26 Cloud-Modellen mit einem Notendurchschnitt von 6,95 von 10 Punkten. An der Spitze bleibt weiterhin unangefochten Claude Opus 5.5 mit 8,94/10.

Dieser Wochenbericht fasst die regelmäßigen Verschiebungen in der KI-Modell-Arena zusammen: wer neu einsteigt, wer Plätze verliert und aus welchen Gründen. Die Tests und Prompts wurden auf Polnisch durchgeführt; das Ranking basiert auf dem arithmetischen Mittel automatisierter Jurorenbewertungen über 9 Schreibaufgaben hinweg. Daneben wird der Score aus dem Labor-Benchmark (0 bis 100) ausgewiesen, der zusätzlich Textkorrektur und Sprachtests berücksichtigt.

Neuaufnahmen in die Arena

Mistral Large 4: Platz 17

• Juroren-Durchschnitt: 6,95 von 10 aus 8 gewerteten Aufgaben.
• Ergebnis im Labor-Test: 69,2 Punkte von 100.
• Beste Leistung: Newsletter-Übersetzung - 8,3/10, Platz 10 von 26.
• Schwächste Leistung: Blogartikel - 5,5/10, Platz 19 von 26.
• Ohne Wertung (leere Antwort): Produktbeschreibung - diese Aufgabe fließt nicht in den Arena-Durchschnitt ein.

Ausführlicher Testbericht mit analysierten Fehlern: Mistral Large 4 im Praxistest.

Mistral Large 4 (ohne Reasoning): Platz 19

• Juroren-Durchschnitt: 6,50 von 10.
• Ergebnis im Labor-Test: 65,6 Punkte von 100.
• Beste Leistung: Antwort auf eine Kundenbeschwerde - 7,5/10, Platz 14 von 26.
• Schwächste Leistung: Einem Kind Inflation erklären - 5,5/10, Platz 25 von 26.

Ausführlicher Testbericht mit analysierten Fehlern: Mistral Large 4 im Praxistest.

Was der Einstieg von Mistral zeigt

Mistral Large 4 ist das erste neu hinzugekommene Modell seit dem Start der Arena am 2. Oktober. Ein Abgleich mit den Laborergebnissen zeigt, dass im selben Zeitraum keine weiteren Modelle getestet wurden. Die unmittelbar davor gemessenen Durchläufe (Llama 4 Maverick, Llama 4 Scout und Muse Glimmer 30B vom 30. September) waren bereits ab Tag 1 vertreten.

• Bei Textaufgaben schneidet Large 4 deutlich stärker ab als der Vorgänger. Mistral Medium 3.5 kommt in der Arena lediglich auf einen Schnitt von 5,13 (Rang 25), während Large 4 mit aktiviertem Reasoning 6,95 erzielt und Rang 17 belegt. Der deutlichste Vorsprung zeigt sich bei der Zusammenfassung (7,8 gegenüber 3,9) sowie bei der Kundenreklamation (7,0 gegenüber 4,1).
• Im Labor-Test schrumpft der Abstand beinahe vollständig zusammen: 69,2 Punkte stehen 68,0 Punkten gegenüber. Das Labor wertet zusätzlich Textkorrekturen und harte Formatvorgaben aus; Large 4 mit Reasoning überschritt bei der anspruchsvollen Korrekturaufgabe sowie der Produktbeschreibung das Token-Limit und lieferte keine Antwort. Während die Arena leere Ausgaben ignoriert, werden sie im Labor als Fehler gewertet.
• Die Version ohne Reasoning ist günstiger und zuverlässiger im Durchlauf. Mit einem Schnitt von 6,50 erreicht sie Rang 19, beantwortete jedoch alle 9 Testaufgaben lückenlos. Die 13 Laboraufgaben kosteten hierbei ca. 0,013 EUR (0,015 USD) gegenüber ca. 0,120 EUR (0,134 USD) bei der Reasoning-Variante (Umrechnungskurs: 1 EUR = 1,1181 USD, EZB-Referenzkurs vom 12.10.2026, Quelle: EZB).
• Zur absoluten Spitzengruppe fehlt weiterhin Abstand. Claude Sonnet 5.5 hält 8,28 Punkte, GPT-6.1 Sol 8,57 Punkte und selbst das preisgünstige Gemini 3.8 Flash 8,09 Punkte. Dennoch übertrifft Large 4 Konkurrenten wie GLM-5.3, Claude Haiku 4.5 und beide Llama-4-Varianten.

Hintergründe zu Veröffentlichung, Parametern und Weights finden Sie im Überblick Mistral Large 4: Release, Spezifikationen und Gewichte. Den Preisvergleich mit anderen Modellen liefert der Artikel Mistral Large 4 im Vergleich zu Claude, GPT, Gemini und DeepSeek. Ein umfassendes Profil des Anbieters bietet der Leitfaden zu Mistral AI.

Aufsteiger und Absteiger im Ranking

Sämtliche Rangverluste dieser Woche sind rein tabellarischer Natur: 8 Modelle rutschen nach unten, weil sich die Neuzugänge vor ihnen platziert haben. Ihre absoluten Bewertungen blieben unverändert.

Minimale Verschiebungen der Scores ohne Rangänderung gab es bei Claude Opus 5.5 (-0,04) und GPT-6 Luna (-0,03). Dies resultiert aus der erneuten Bewertung der Anker-Modelle während der Testrunde: Die Juroren bewerteten die Texte im direkten Vergleich erneut, wodurch sich der Gesamtdurchschnitt um wenige Hundertstelpunkte verschob.

Aktuelle Rangliste der Cloud-Modelle

Methodik und Auswertung des Rankings

• Jedes Modell durchläuft denselben Testkatalog aus 9 Aufgaben: Artikel, Produktbeschreibung, Kundenreklamation, LinkedIn-Beitrag, Kurzgeschichte, 10 SEO-Titel, Textzusammenfassung, Erklärung von Inflation für Kinder und Übersetzung. Die Testprompts wurden auf Polnisch formuliert und vorgelegt.
• Die generierten Texte werden blind durch Evaluator-Modelle nach drei Parametern beurteilt: sprachliche Korrektheit, Natürlichkeit und Einhaltung der Aufgabenstellung. Die Gesamtnote bildet den Mittelwert auf einer Skala von 0 bis 10.
• Dieses Ranking führt ausschließlich Cloud-basierte Systeme auf. Lokal betriebene Modelle (getestet auf einer RTX 4090) werden separat gelistet, da hierfür angepasste Bewertungsmaßstäbe galten.
• Der Rangvergleich bezieht sich auf den Stand der vorherigen Ausgabe. Verliert ein Modell ohne Punktabzug Plätze, haben sich neue Systeme mit höherer Punktzahl davor platziert.
• Der Labor-Score (0-100) berechnet sich eigenständig: Er gewichtet zu 70% das Jurorenurteil, zu 20% strikte Anweisungsregeln und zu 10% formale Textqualität, ergänzt um gesonderte Korrektur- und Grammatikaufgaben.

Ausblick auf kommende Tests

Neue Modelle aus dem KI-Release-Kalender werden direkt nach der API-Verfügbarkeit im Labor analysiert und in das Arena-Ranking integriert. Sämtliche Modellausgaben können Sie im Detail in der Arena-Übersicht nachvollziehen; visuelle Modelle stehen im Vergleich der KI-Bildgeneratoren gegenüber.

// weiterlesenAI-Wochenrückblick: Sicherheit, Mathematik und politische Blindheit - Woche vom 14-20 JuliStand der KINur 30 Minuten Sport pro Woche? Warum die Intensität alles verändertMedizinbasal-omni: Remek Kinas’ Modell führt JevBench-Ranking anBenchmarks

Kinetyra