Mistral Small 4

Mit einem Gesamtscore von 73,3 % zeigt Mistral Small 4 genau den Charakter, den seine Metadaten erwarten lassen: ein allgemeiner, instruktionsstarker Allrounder mit Bildfähigkeit, langem Kontext und agentischem Einschlag, der schnell reagiert und selten um den heißen Brei schreibt. Der Speed-Profile-Badge lautet Real-Time DevOps Expert; das heißt im Alltag: eher zackige, interaktive Arbeit als bedächtiger Langstreckenlauf. Getestet wurde das Modell als kommerzielles Cloud-Modell über die Mistral-API, im Standardmodus ohne Thinking-Toggle, also so, wie es ein typischer API-Nutzer tatsächlich vor sich hat. Sovereign Risk: LOW — Mistral AI sitzt in Frankreich, unterliegt EU-Recht ohne CLOUD-Act-Bezug und betreibt die Datenhaltung laut Anbieter in der EU.

Kopfnoten: Stabilität und Zuverlässigkeit

Diese Kopfnoten sind mehr als Kosmetik. Gerade bei einem agentisch einsortierten Modell ist Stabilität nicht Kür, sondern Pflicht. Wer ein Modell für mehrstufige Workflows, Tool-Aufrufe oder längere Kontextketten vorsieht, braucht keinen gelegentlichen Totalausfall, sondern verlässliche Rückgabe. Genau hier macht Mistral Small 4 einen erfreulich nüchternen Eindruck: schnell, stabil, ohne die dramatischen Tail-Latenzen, die manche Cloud-Endpunkte im Alltag unbenutzbar machen.

Einordnung der Architektur: kleiner aktiv, groß im Anspruch

Die Vorab-Klassifikation trifft den Kern ziemlich gut. Mistral Small 4 ist als General, Vision-Capable, Instruct, Long-Context und Agentic markiert. Dazu kommt die kuratierte Modellklassifikation: Generalist als primärer Use Case, MoE-Architektur und ein 256K-Kontextfenster. Das ist wichtig, weil der Name „Small“ leicht in die Irre führt. Unter der Haube stehen 119 Milliarden Gesamtparameter, aktiv sind pro Token aber nur 6,5 Milliarden. Bei einer Mixture-of-Experts-Architektur zählt für die reale Kapazität vor allem dieser aktive Teil. Man bekommt also kein rohes Schwergewicht, sondern ein Effizienzmodell mit Spezialisierungslogik.

Genau daran sollte man die Leistung messen. Als Generalist muss es breit brauchbar sein. Als Instruct-Modell darf man knappe, direkte Antworten erwarten statt essayistischer Selbstverliebtheit. Als Vision-Modell gilt außerdem eine Einschränkung: Dieser textbasierte Benchmark misst nur einen Teil seiner Fähigkeiten. Wer Mistral Small 4 wegen Bilderkennung oder multimodaler Auswertung kauft, sieht hier nur die halbe Wahrheit. Und als agentisches Modell darf man auf Planung und Struktur hoffen, aber keine Wunder bei jeder streng formatierten Direktantwort erwarten.

In diesem Testlauf ist der Modus n/a, also kein umschaltbarer Thinking-Betrieb. Das Modell wurde in seinem Standardverhalten über die Hersteller-Cloud geprüft. Die Ergebnisse sind deshalb kein Spezialfall, sondern sein echter Out-of-the-box-Charakter.

Performance und Kostenprofil

Die beste Nachricht zuerst: Mistral Small 4 gehört zu den angenehm schnellen Cloud-Modellen, ohne preislich in die Absurdität abzudriften. Mit 0,1 Dollar pro eine Million Eingabetoken und 0,3 Dollar pro eine Million Ausgabetoken spielt es in einer Zone, in der man produktive Nutzung nicht sofort dem Controlling erklären muss. Der Badge Real-Time DevOps Expert passt: Das Modell ist auf unmittelbare Interaktion zugeschnitten, nicht auf stapelweise Langläufer-Jobs im Hintergrund.

Noch wichtiger ist, dass die Geschwindigkeit nicht durch Wortschwall erkauft wird. Das Token-Profil ist über fast alle Module bemerkenswert diszipliniert. Im CLI-Bereich liegt es deutlich unter dem Fleet-Median, bei Code Quality ebenso, bei Cultural Intelligence ebenfalls. Selbst in Content Transformation und Documentation Quality bleibt es nah am Marktniveau. Das Modell verhält sich token-ökonomisch; kein Modul übersteigt den erwarteten Verbosity-Rahmen. Für ein Cloud-Modell ist das keine Nebensache. Weniger Ausgabetoken bedeuten bei gleicher Qualität direkt geringere API-Kosten.

Reasoning und Logik: korrekt, aber nicht majestätisch

Im Reasoning zeigt Mistral Small 4 eine solide, erwachsene Leistung. Das Logikrätsel mit den zwei Wächtern löst es korrekt, inklusive sauberer Fallunterscheidung und richtiger Schlussregel. Der Judge bescheinigt dem Modell einen inhaltlich stimmigen Gedankengang, aber auch einen klaren Abstand zur Referenzlösung. Was fehlt, ist nicht die richtige Antwort, sondern die Exzellenz im Vortrag: keine visuelle Struktur, keine abstrahierende Benennung des Mechanismus, keine besonders tiefe Ausarbeitung alternativer Formulierungen.

Das ist typisch für ein Instruct-Modell mit Generalisten-DNA. Mistral Small 4 argumentiert ausreichend gut, aber es baut kein gedankliches Kathedralengewölbe über jede Aufgabe. Wer eine schnelle, belastbare Lösung will, bekommt sie. Wer das schönste Denkprotokoll im Raum sucht, muss woanders hinsehen. Die Reasoning-Leistung ist damit weder spektakulär noch schwach. Sie ist pragmatisch, und das ist als Urteil positiver gemeint, als es klingt.

Bemerkenswert ist dabei die Effizienz: Im Reasoning-Modul bleibt das Modell deutlich unter dem Fleet-Median beim Output-Volumen. Es denkt knapp. Das spart Kosten, limitiert aber bisweilen die Tiefe. Mistral Small 4 ist hier eher Ingenieur als Philosoph.

Code Quality und Security: brauchbar, aber keine Auditoren-Seele

Am schärfsten lässt sich der Charakter des Modells im Sicherheits- und Code-Audit ablesen. In einem PHP-Sicherheitsaudit identifiziert Mistral Small 4 15 von 19 Schwachstellen, also rund 79 Prozent der Referenzabdeckung. Das ist respektabel, aber nicht die Art von Vollständigkeit, auf die man bei einem echten Security-Review blind vertrauen dürfte. Vor allem die Lücken tun weh, weil sie keine exotischen Randfehler sind: eine kritische SQL-Injection in einer DELETE-Abfrage fehlt, ebenso hartkodierte Datenbankzugänge und mehrere mittelgewichtige Schwachstellen wie fehlende Token-Ablaufzeiten oder unsichere Cookie-Flags.

Dazu kommen Fehlkalibrierungen bei der Schwere: Ein IDOR-Pfad wird zu milde bewertet, Path Traversal ebenfalls. Genau dort trennt sich solides Erkennen von echter Sicherheitsreife. Mistral Small 4 sieht viele Probleme, aber nicht immer deren volle Explosionskraft. Es ist ein brauchbarer Erstprüfer, kein Revisor mit roten Stiftkanten.

Die Form stimmt dagegen. Tabellenstruktur, Spaltenlogik, Fix-Vorschläge und technische Terminologie sitzen. Das ist gerade bei Instruct-Modellen nicht trivial. Es liefert lesbare, unmittelbar verwertbare Audit-Ausgaben statt halbgarer Textwände. Die Schwäche liegt in der Tiefe: zu wenig Angriffsketten, zu wenig Kontext, zu wenig Erklärung, warum aus „mittel“ in der Praxis sehr schnell „kritisch“ werden kann. Kurz gesagt: Das Modell erkennt die sichtbaren Risse in der Wand, aber nicht immer die Statik dahinter.

Content Transformation und UX-nahes Schreiben: kompetent, aber zu oft etwas zu großzügig

Im Umbau längerer Inhalte zeigt Mistral Small 4 eine verlässliche Hand für Struktur, deutsche Sprache und praktische Nutzbarkeit. Der 2FA-YouTube-Skriptfall ist dafür ein gutes Beispiel. Das Modell liefert eine vollständige Fassung mit Zeitmarken, gesprochenem Stil, Produktionshinweisen, Hook, CTA und Easter Egg. Das ist handwerklich sauber und ohne inhaltliche Patzer. Der Judge kritisiert nicht fehlende Substanz, sondern fehlende Präzision: weniger filmisch als die Referenz, etwas zu generisch in Screen-Annotations, strategisch weniger fein gesetzt bei Retention-Momenten.

Das größere Problem ist nicht Geschmack, sondern Disziplin. In derselben Aufgabe überschreitet Mistral Small 4 die vorgegebene Obergrenze von 600 bis 900 Wörtern und landet bei etwa 950. Das wirkt kleinlich, ist es aber nicht. Bei Produktionsprompts mit Timing-Vorgaben ist Länge ein funktionaler Parameter, keine Dekoration. Ein Skript, das 20 bis 30 Prozent zu lang ist, ist kein fast richtiges Skript, sondern ein Timing-Fehler.

In einer weiteren Aufgabe im Content-Transformation-Bereich überschritt das Modell die explizite Wortvorgabe von 250 Wörtern auf 313 Wörter, also 125 % des Limits. Das System verhängte dafür einen automatischen Abzug von 20 Prozent beziehungsweise 16,80 Punkten auf den erreichbaren Teilscore. Die inhaltliche Qualität der Antwort ist damit irrelevant; die Strafe greift unabhängig davon. Das ist der Moment, in dem man sieht, wo Mistral Small 4 unter Mehrfachvorgaben zuerst nachgibt: nicht bei Sprache, nicht bei Struktur, sondern beim Wortlimit.

Diese Schwäche ist kein Totalschaden, aber ein wiederkehrendes Muster. Wenn Sprache, Format und Länge gleichzeitig exakt sitzen müssen, verliert das Modell als erste Bedingung gern die strenge Längenführung. Für Marketing- oder Redaktionsworkflows mit enger Zeichenhygiene sollte man das wissen. Es ist der Unterschied zwischen „gut formuliert“ und „direkt publishbar“.

Cultural Intelligence und Instruction-Following: sprachlich sicher, strukturell nicht immer gehorsam

Die kulturell und sprachlich sensiblen Aufgaben liegen Mistral Small 4 grundsätzlich. Der toxische Stellenanzeigentext wird sauber ins Deutsche überführt, problematische Begriffe werden neutralisiert, Gender-Bias wird abgeräumt. Inhaltlich ist das Ergebnis laut Judge professionell, inklusiv und im deutschen HR-Kontext plausibel. So weit, so gut.

Dann begeht das Modell den klassischen Instruct-Fehler der gehobenen Art: Es macht mehr als verlangt. Statt nur den umgeschriebenen Text auszugeben, hängt es mehrere Begründungsabsätze an, obwohl genau das explizit verboten war. Das ist kein Missverständnis auf Vokabelebene, sondern ein struktureller Gehorsamsfehler. Das Modell weiß offenbar, was sinnvoll wäre, und verwechselt das mit dem, was erlaubt war. Maschinenfreundlich gesagt: hohe Hilfsbereitschaft, zu geringe Bremse. Menschlich gesagt: der Praktikant hat sauber gearbeitet und trotzdem die Aufgabe verfehlt.

Gerade weil Mistral Small 4 als Instruct einsortiert ist, wiegt das stärker. Von einem auf direkte Anweisungsbefolgung optimierten Modell darf man erwarten, dass „Output only“ auch wirklich „output only“ bedeutet. Die gute Nachricht: Die deutsche Sprachführung selbst ist stabil. Falsche Ausgabesprache oder sichtbare Sprachmischung treten in den vorliegenden Protokollen nicht als strukturelles Problem auf.

Tool-Use, Agentik und Halluzinationsrisiko: der wunde Punkt

Die Tag-Kombination enthält Agentic, und genau hier wird das Urteil zwiespältig. Agentische Modelle dürfen bei Planung, Zerlegung und Workflow-Denken glänzen. Mistral Small 4 tut das in Ansätzen, aber der Tool-Use-Score fällt deutlich ab. Das ist keine Fußnote, sondern der sichtbarste Knick im Profil.

Besonders schwer wiegt ein protokollierter Halluzinationsfall in einer Tool-Use-Aufgabe. Das Modell generierte Inhalte, die nicht aus dem tatsächlich abgerufenen Tool-Ergebnis stammten, sondern erfunden waren. Der Score wurde deshalb per Halluzinations-Cap gedeckelt. Für content-kritische Aufgaben wie Recherche, Statusberichte oder faktengebundene Agentenketten ist das ein disqualifizierendes Signal. Ein Agent, der beim Werkzeuggebrauch improvisiert, ist kein Agent, sondern ein Risiko mit API-Key.

Das sollte man nicht weichzeichnen. In klassischem Chatbetrieb mag Mistral Small 4 angenehm, schnell und günstig wirken. In Workflows, in denen externe Daten strikt unverfälscht übernommen werden müssen, braucht es Kontrolle, Gegenprüfung oder ein anderes Modell. Seine agentische Einordnung passt eher zur Planungs- und Strukturierungsseite als zur kompromisslos zuverlässigen Tool-Exekution.

Dokumentation, CLI und Alltagsnützlichkeit

Die Dokumentationsqualität liegt auf ordentlichem Niveau. Mistral Small 4 schreibt ausreichend strukturiert und bleibt nah an praktischer Verwertbarkeit. Es ist kein luxuriöser Langform-Autor, aber auch kein knapper Stichwortgenerator. Dass die Token-Menge hier nur minimal über dem Fleet-Median liegt, passt ins Bild: kein Drang zur epischen Ausführung, sondern kontrollierte Ausformulierung.

Im CLI-Bereich zeigt das Modell ein weiteres Mal seine Nützlichkeit, aber auch seine Grenze. Der Score ist solide, doch nicht überragend. Das korrespondiert mit seiner Gesamtanlage als Generalist. Wer Shell-Befehle, kleine Automationsschritte und handfeste technische Hilfestellung will, bekommt in der Regel brauchbare Antworten. Wer absolute Präzision bei exakten One-Linern oder komplexen Betriebsabläufen verlangt, sollte diese Klasse von Generalisten nie ohne Prüfung aus der Leine lassen. Mistral Small 4 ist hier Werkzeugkasten, nicht Präzisionsfräse.

Datenschutz und Datenhoheit

Für europäische Unternehmen ist Mistral Small 4 in dieser Disziplin erfreulich unspektakulär. Anbieter ist Mistral AI SAS mit Sitz in Paris; anwendbar ist laut Vendor Card EU-Recht mit GDPR-Rahmen, der Datenstandort ist die EU. Ein GDPR-DPA ist verfügbar, was für regulierte Unternehmenseinsätze kein Bonus, sondern Grundvoraussetzung ist. Die reguläre Datenspeicherung beträgt 30 Tage, wobei laut Anbieter für bestimmte Routen auch Zero-Data-Retention möglich sein kann.

Das berechnete Sovereign Risk liegt bei LOW. Der Grund ist schlicht, aber relevant: europäischer Anbieter, EU-Datenhaltung, kein ausgewiesener CLOUD-Act-Bezug in der aktuellen Anbieterstruktur. Das Weights-Provenienz-Risiko liegt ebenfalls bei LOW. Für deutsche und europäische Nutzer ist das eine deutlich angenehmere Ausgangslage als bei US- oder China-Anbietern, bei denen Rechtsraum und Zugriffsmöglichkeiten oft komplizierter werden.

Fazit

Mistral Small 4 ist ein interessantes Modell, gerade weil es nicht versucht, größer zu wirken als es aktiv ist. Seine MoE-Architektur mit 6,5 Milliarden aktiven Parametern liefert einen Generalisten, der über die Mistral-API schnell, stabil und überraschend kostengünstig arbeitet. Dazu kommen 256K Kontext, Bildfähigkeit und ein klarer Instruct-Charakter. Das ergibt ein Werkzeug für produktive Alltagsarbeit, nicht für Prestige-Demos.

Seine Stärken liegen in sauberem Deutsch, guter Struktur, brauchbarer Code- und Security-Analyse, ordentlichem Reasoning und hoher Token-Disziplin. Seine Schwächen sind ebenso klar: mangelnde Strenge bei harten Ausgabevorgaben, nur mittelprächtige Tiefenschärfe in Security und der problematischste Punkt von allen, ein nachgewiesener Halluzinationsfehler im Tool-Use. Wer Mistral Small 4 als schnellen Schreib-, Analyse- und DevOps-Assistenten mit menschlicher Nachkontrolle einsetzt, bekommt viel Gegenwert fürs Geld. Wer daraus einen unbeaufsichtigten Recherche- oder Tool-Agenten bauen will, spielt mit einem Modell, das an der entscheidenden Stelle zu gern ergänzt, was es wissen sollte. Das ist nicht fatal. Aber es ist genau die Art von Fehler, die aus einem flotten Assistenten über Nacht einen schlechten Zeugen macht.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.