Mistral Large 4 geliyor, kendi sunucunuz mu bulut API mi?

Mistral tam olarak ne duyurdu, ne duyurmadı

Mistral AI, 6 Ekim 2026'da Large 4'ü ücretli bir genel önizleme olarak açtı. Duyuruya göre model baştan çok kipli (natively multimodal) tasarlanmış, toplamda yaklaşık 1 trilyon parametreye sahip ve her token için yaklaşık 49 milyar aktif parametre kullanıyor. Önizleme API'si Mistral Studio üzerinden çalışıyor, ağırlıkların ise ekim sonuna kadar yayımlanacağı söyleniyor.

Basında net tarih olarak 27 Ekim geçiyor ve bu tarihin, seçilmiş iş ortakları ve devlet kurumlarıyla yürütülen bir kırmızı takım (red-teaming) döneminin ardından geldiği aktarılıyor. The Next Web'in aktardığına göre müşteriler modeli kendi sunucularında çalıştırabilecek ya da Mistral'in API'sini Avrupa bölgesi dâhil seçtikleri bir bölgede kullanabilecek. Aynı haberde Mistral'in karşılaştırmalı test sonuçlarını ön sonuç olarak nitelediği ve pekiştirmeli öğrenmenin hâlâ sürdüğü de yazıyor. Yani bugün önizlemede denediğiniz model, ekim sonunda indireceğiniz modelle birebir aynı olmayabilir.

Mistral'in kendi rakamları iddialı. Şirket blogunda Cybench görevlerinin yüzde 93'ünü çözdüğü, DeepSWE v1.1'de yüzde 61,7 aldığı ve Coding Agent Index'te yüzde 49,8 ile DeepSeek V4 Pro 0813 ile Qwen3.8 Max'in önüne geçtiği yazıyor; Lakera'nın B3 güvenlik testinde saldırıların yüzde 93,3'üne direnç gösterdiği de iddialar arasında. VentureBeat'e göre model, Mistral'in Avrupa'daki veri merkezlerinde 4.000 Nvidia Grace Blackwell GPU ile yaklaşık iki ayda eğitildi. Bunların hepsi üreticinin beyanı; karar verirken bağımsız ölçümlere bakmak gerekiyor.

Bağımsız ölçümler daha mütevazı bir tablo çiziyor

Bağımsız tarafta tablo daha sakin. Artificial Analysis Intelligence Index'te Large 4, 38 puanla Çin dışında geliştirilmiş en yüksek açık model, ama yedi Çin menşeli açık model daha yüksek puan alıyor. Ağırlıklar yayımlanana kadar Artificial Analysis önizlemeyi kapalı model olarak listeliyor; bu da açık ağırlık vaadinin henüz vaat aşamasında olduğunu hatırlatıyor.

Vals AI'ın genel endeksinde model 44 model arasında 32. sırada, yüzde 48,05 ile. Karşılaştırma için Google'ın kapalı modeli Gemini 4 Argon aynı endekste yüzde 68,90 ile birinci. Aradaki fark küçük değil ve Large 4'ü öncü kapalı modellerin muadili olarak sunmak dürüst olmaz.

Yine de ilginç bir ayrıntı var. Large 4'ün Vals'teki en iyi sonucu Harvey'nin hukuk ajanı testinde, 75 model arasında 6. sıra; tıbbi kayıt tutma testi MedScribe'da ise yüzde 80,43 alıyor. Belge okuyup yapılandırılmış özet çıkarmak, kurumların kendi sunucusunda çalıştırmak istediği işlerin tam merkezinde duruyor. Genel sıralamada orta sıralarda olan bir model, sizin dar işinizde gayet yeterli çıkabilir.

Türkçe konusunda dürüst olmak gerekiyor. Mistral, modelin tüm resmi AB dilleri dâhil 160'tan fazla dilde eğitildiğini söylüyor; ancak Türkçe resmi bir AB dili değil ve Large 4'ün Türkçe özetleme ya da bilgi çıkarma başarısına dair bağımsız bir ölçüm henüz yok. Bu boşluğu kendi verinizle doldurmanız şart: gerçek toplantı notlarınızdan, sözleşmelerinizden ya da dilekçelerinizden anonimleştirilmiş birkaç düzine örnekle küçük bir test seti kurun ve önizleme API'sinde deneyin.

Açık ağırlık size gerçekte ne kazandırır

Açık ağırlık, modelin eğitilmiş parametrelerinin indirilebilir olması demek. Bu, kaynak kodun ya da eğitim verisinin açık olduğu anlamına gelmiyor; size verilen şey çalıştırılabilir bir model dosyası ve onu kullanma şartlarını belirleyen bir lisans. VentureBeat'in aktardığına göre Mistral, Large 4'ü kurumların ve devletlerin kendi egemen altyapılarında çalıştırıp özelleştirebileceği bir temel olarak konumlandırıyor.

Pratikte kazanımlar şunlar, ama her birinin bir şartı var:

• Kurum içi kurulum: Veri ağınızdan çıkmıyor. Toplantı kaydı, bordro ya da ticari fatura üçüncü bir tarafın sunucusuna hiç gitmiyor.
• Veri yerleşimi: Verinin hangi ülkede, hangi binada işlendiğini siz belirliyorsunuz. Mistral'in bölge seçilebilen API'si bunun bir kısmını karşılasa da veri yine sağlayıcıya gidiyor.
• İnce ayar: Modeli kendi terminolojinize ve belge tiplerinize göre uyarlayabilirsiniz, tabii lisans buna izin veriyorsa.
• Maliyet öngörülebilirliği: Token başına fatura yerine sabit bir donanım ve işletme maliyeti ödüyorsunuz. Yüksek ve düzenli hacimde bu avantaj, düşük ve dalgalı hacimde dezavantaj.
• Sağlayıcıya bağımlılıktan çıkış: Implicator'ın yorumuyla Mistral açık ağırlığı tam da bu bağımlılığa karşı bir argüman olarak sunuyor. Sağlayıcı fiyatı değiştirse ya da modeli emekliye ayırsa bile, lisans izin verdiği ölçüde elinizdeki sürüm sizde kalıyor.

Lisans metni çıkmadan karar vermeyin

Mistral'in bir önceki amiral gemisi Large 3, Apache 2.0 ile yayımlanmıştı; Large 4'ün ağırlıklarının ise özel bir Mistral lisansıyla gelmesi bekleniyor. Lansman günü itibarıyla indirilebilir bir model dosyası, lisans metni ya da depo bulunmuyordu. Yani şu an 'açık ağırlık' bir niyet beyanı.

Bu ayrım neden bu kadar önemli? Beri.net'in belirttiği gibi özel lisanslar genellikle gelir eşiklerinin, kabul edilebilir kullanım listelerinin ve modeli üçüncü taraflara sunma kısıtlarının yer aldığı metinler. Metin yayımlanana kadar bir bankanın modele ince ayar yapıp yapamayacağı ya da bir entegratörün modeli müşterileri için barındırıp barındıramayacağı belirsiz.

Türkiye'deki bir yazılım evi ya da sistem entegratörü için bu ikinci soru belirleyici. Modeli kendi ürününüze gömüp müşterinin sunucusuna kurmayı planlıyorsanız, yalnızca iç kullanıma izin veren bir lisans size hiçbir şey ifade etmeyebilir. Lisans çıktığında hukuk ekibinizin şu sorulara cevap bulması gerekiyor: ticari kullanım serbest mi, gelir veya kullanıcı sayısı sınırı var mı, ince ayarlı türevler nasıl lisanslanıyor, model başkalarına hizmet olarak sunulabiliyor mu.

Gizli maliyetler GPU faturasından ibaret değil

Önce donanım. Large 4 bir masaüstü bilgisayarda ya da dizüstünde çalışamayacak kadar büyük. GitHub'da herkese açık bir başlıkta bir geliştirici ekibi, kendi sunucusunda çalıştırma planını askıya aldığını yazdı: tahminlerine göre 1 trilyon parametrelik bu model çok GPU'lu, H100 sınıfı düğümler istiyor ve resmi donanım gereksinimleri henüz yayımlanmadı. Ekip, planı yeniden açmak için lisanstaki kullanım alanı, gelir ve aylık aktif kullanıcı sınırlarını okumayı ve AB Yapay Zekâ Yasası kapsamındaki genel amaçlı yapay zekâ (GPAI) yükümlülüklerini anlamayı şart koşuyor.

Sonra insan ve güvenlik. Böyle bir modeli üretimde çalıştırmak; GPU sürücüleri, çıkarım sunucusu, yük dengeleme, izleme, sürüm yönetimi ve gece yarısı çöken bir servise müdahale edecek birini gerektiriyor. Sık rastlanan bir risk, kurulumun donanımdan çok operasyonu sahiplenecek bir ekip olmaması yüzünden aksaması; tek bir meraklı mühendisin projesi olarak başlayan sistemler, o kişi ayrıldığında sahipsiz kalabiliyor. Güvenlik de bedava gelmiyor: erişim kontrolü, kayıt tutma, yama yönetimi ve modelin bağlandığı iç sistemler artık sizin sorumluluğunuz, yani veriyi buluta göndermemek bir riski kaldırırken kötü yapılandırılmış bir iç sunucu yeni bir risk yaratıyor.

Karşı tarafta API fiyatı var. Önizlemede liste fiyatı milyon girdi token başına 1,36 dolar, milyon çıktı token başına 4,18 dolar; şu an indirimle 0,68 ve 2,09 dolar, önbelleğe alınmış girdi ise 0,14 yerine 0,07 dolar.

Fikir vermesi için örnek bir hesap yapalım. Ayda 100 milyon girdi ve 20 milyon çıktı token işleyen bir şirket, liste fiyatıyla 136 + 83,6, yani yaklaşık 220 dolar öder; indirimli fiyatla bu tutar yaklaşık 110 dolara iner. Çok GPU'lu, H100 sınıfı bir düğümün satın alma ya da kiralama maliyeti bunun çok üzerinde kalır, üstüne enerji ve işletme ekibi eklenir. Bu ölçekteki hacimlerde kendi sunucunuzu maliyetle değil, verinin şirket dışına çıkmaması gerekliliğiyle savunabilirsiniz.

Yönetişim açığını sunucu odası tek başına kapatmaz

Bu haftanın asıl gündemi aslında model değil, kontrol. ABD'de National Cybersecurity Alliance'ın CISA ile birlikte 10 sektörden 1.000 küçük işletme yöneticisiyle yaptığı 2026 anketine göre işletmelerin yüzde 87'si yapay zekâ araçları kullanıyor, ama yalnızca yüzde 46'sının bu kullanım için resmi kuralları var. Aynı yazıda MainNerve, tüketici sürümü yapay zekâ araçlarının çoğu zaman girilen verileri model eğitiminde kullanma konusunda sağlayıcıya geniş haklar tanıdığını hatırlatıyor.

Aynı hafta ABD'de bir başka başlık da gündemdeydi. New York Belediye Meclisi, Anthropic, OpenAI, Google ve Meta'yı 5 Ekim'de yeminli olarak kamuya açık ifade vermeye çağırdı. Oturumda OpenAI, Kasım 2025'e uzanan ve yapay zekâ ajanlarını içeren olası hizalama sorunu (misalignment) vakalarını incelediğini açıkladı; Meclis Başkanı Menin ise hâlâ pek çok sorunun cevapsız kaldığını ve şirketlere yazılı sorular gönderileceğini söyledi. Oturum veri kontrolünden çok güvenlikle ilgiliydi, ama bir şeyi açıkça gösterdi: sağlayıcının sistemlerinde neler olduğunu dışarıdan bilmek zor ve sağlayıcı şeffaflığına duyulan güvenin bir sınırı var.

Burada dikkatli olmak gerekiyor. Kendi sunucunuzda model çalıştırmak, verinin nereye gittiği sorusunu çözer. Bir çalışanın müşteri listesini kişisel hesabıyla bir sohbet botuna yapıştırmasını ise çözmez; kuralı olmayan bir şirket kocaman bir sunucu odası kursa bile çalışanlar daha kolay olan ücretsiz aracı kullanmaya devam eder.

KVKK açısından da durum benzer. Çalışan kayıtları ya da toplantı ses kayıtları gibi kişisel verileri işliyorsanız, veri yurt dışındaki bir API'ye gittiğinde ortaya çıkan aktarım ve aydınlatma yükümlülüklerini hukuk ekibinizle mutlaka konuşun. Kurum içi kurulum bu tartışmayı sadeleştirebilir, ama amaç sınırlaması, saklama süreleri ve erişim yetkileri gibi temel yükümlülükleri ortadan kaldırmaz.

Toplantı, İK ve gümrük belgeleri neden ayrı bir kategori

Toplantı dökümleri, şirketteki en hassas ama en az korunan veri olabilir. Bir yönetim kurulu kaydında satın alma görüşmeleri, bir performans görüşmesinde kişisel değerlendirmeler, bir müşteri toplantısında fiyat pazarlığı geçer; üstüne bir de kişilerin sesi vardır. Bu tür içerik için kurum içinde çalışabilen, dar kapsamlı transkripsiyon ve özetleme çözümleri ciddi bir seçenek. Büyük ve genel amaçlı bir modeli kendiniz kurmak tek yol değil.

İK verisi ikinci aday. Maaş bilgileri, sağlık raporları, izin geçmişi ve disiplin kayıtları, bir yapay zekâ asistanına 'şu çalışanın izin durumunu özetle' diye sorulduğunda modele gider. Bu soruları bir bulut API'sine yönlendiriyorsanız, sağlayıcının veri saklama ve eğitim politikasını sözleşme düzeyinde netleştirmeniz gerekir. VentureBeat'in aktardığı sıfır veri saklama seçenekleri bu yüzden bulut tarafında en azından sorulması gereken bir madde.

Gümrük ve dış ticaret belgeleri üçüncü kategori. Ticari faturalar, menşe belgeleri ve beyannameler tedarikçi isimlerini, birim fiyatları ve marjları açıkça gösterir. Bu belgelerden yapay zekâ ile veri çıkaran bir müşavirlik firması, müşterisinin ticari sırlarını üçüncü bir tarafa göndermiş olur; müşterinin buna yazılı olarak onay verip vermediği ayrı bir soru.

Öte yandan her iş bu kategoriye girmiyor. Web sitesi metni, kamuya açık ürün açıklamaları ya da sosyal medya taslakları için kendi sunucusunu kurmak çoğu zaman gereksiz bir masraf. Hassas olmayan işleri bulut API'sinde, hassas olanları kurum içinde çalıştıran karma bir yapı, birçok şirket için en mantıklı ara yol.

Kendi sunucusu mu, bulut API mi: kısa kontrol listesi

Aşağıdaki soruların çoğuna 'evet' diyorsanız kendi sunucunuzda model çalıştırmayı ciddi olarak değerlendirin. Çoğuna 'hayır' diyorsanız, iyi bir sözleşmeyle bulut API'si muhtemelen daha az riskli ve daha ucuz.

Large 4 özelinde bir ek tavsiye: lisans metni ve resmi donanım gereksinimleri yayımlanmadan satın alma kararı vermeyin. GitHub'daki ekibin yaptığı gibi açık koşullarla bir bekleme listesi tutun, önizleme API'sinde kendi Türkçe test setinizi çalıştırın ve ağırlıklar geldiğinde kararı somut veriyle verin.

• İşlediğiniz veri kişisel veri ya da ticari sır mı (toplantı kayıtları, bordro, gümrük belgeleri)?
• Müşteriniz, denetçiniz ya da sözleşmeniz verinin şirket dışına çıkmamasını şart koşuyor mu?
• Aylık işlem hacminiz düzenli ve yüksek mi, yoksa dalgalı ve düşük mü? Kendi token hacminizle yukarıdaki örnek hesabı tekrarlayın.
• GPU altyapısını ve çıkarım servisini sahiplenecek, nöbet tutacak bir ekibiniz var mı?
• Lisans metnini okudunuz mu ve ticari kullanım, gelir eşiği ve üçüncü taraflara hizmet maddeleri planınıza uyuyor mu?
• Modelin Türkçe performansını kendi gerçek verinizle test ettiniz mi?
• Yapay zekâ kullanımına dair yazılı bir şirket politikanız var mı? Yoksa önce onu yazın; sunucu odası bu açığı kapatmaz.
• Daha küçük, dar kapsamlı bir model ya da hazır bir kurum içi çözüm aynı işi daha az donanımla görebilir mi?