Mistral publie les poids de Large 4 sous une licence MIT modifiée
Mistral met en téléchargement le 29 octobre 2026 les poids de Mistral Large 4, trois semaines après l'avoir ouvert en aperçu public. Le modèle de 1 000 milliards de paramètrespoids du modèleNombre de valeurs apprises par un modèle. À quantification égale, plus de paramètres veut dire plus de mémoire occupée, et en général de meilleures réponses.Fiche du lexique en active 52 milliards par tokenPlus petite unité de texte qu'un modèle manipule. Un mot courant tient souvent en un seul, un mot rare se découpe en plusieurs morceaux. Les prix, les limites et les débits s'expriment en tokens, pas en mots.Fiche du lexique, tient une fenêtre de 1 million de tokens et sort sous une licence MIT modifiée qui interdit la revente d'inférenceExécution d'un modèle : une entrée, une sortie. Le calcul se sépare en un pré-remplissage de la question, puis une génération token par token.Fiche du lexique sans contrat. L'API du même modèle passe à 0,70 dollar l'entrée et 2,10 dollars la sortie par million de tokens.
par Gyom 30 octobre 2026 à 07:15 5 min de lecture rubrique : Machines et coûts
etiquettes : En entreprise · Chez soi · Coût
Trois semaines après l'avoir ouvert en aperçu public, Mistral met les poids de son modèle phare en téléchargement. La différence est matérielle : Mistral Large 4 ne s'obtient plus seulement par une API, il se télécharge depuis Hugging Face et se sert sur ses propres machines avec vLLM ou SGLang. Le billet du 29 octobre 2026 annonce des gains obtenus depuis l'aperçu par un entraînement par renforcement prolongé, et un prix d'API divisé au passage.
1 000 milliards de paramètres, 52 milliards actifs par token
La fiche du modèle donne l'architecture : un mélange d'experts granulaire de 1 000 milliards de paramètres, 128 experts routés et un expert partagé, quatre experts activés par token. Cela fait 52 milliards de paramètres actifs à chaque token, 49 milliards sans compter les embeddings et la couche de sortie. La fenêtre de contextecontexteQuantité de tokens qu'un modèle peut lire d'un seul coup, question et réponse comprises. Au-delà, il faut découper, résumer ou chercher ailleurs.Fiche du lexique atteint 1 million de tokens, l'entrée accepte du texte et des images, la sortie reste du texte. Le même jeu de poids porte l'instruction, le raisonnement et les appels d'outils, avec trois efforts de raisonnement réglables par requête, bas, moyen et haut, le haut étant le défaut.
3 800 Grace Blackwell, dans les centres de données de Mistral en Europe
Mistral indique avoir entraîné le modèle depuis zéro sur 3 800 GPU NVIDIA Grace Blackwell, dans ses propres centres de données en Europe, et fait de cette chaîne continue son argument de souveraineté : un modèle dont une organisation peut inspecter, modifier et héberger les poids sans passer par le service d'un tiers. Le dépôt livre un point de contrôle en fp8 et une variante NVFP4 pour les GPU Blackwell, plus légère en mémoire et plus rapide à performances égales selon la fiche. NVIDIA sert le modèle en conteneur NIM, Microsoft le propose dans Foundry avec déploiement privé sur Azure, et OpenRouter le relaie.
48 % au Coding Agent Index avec 47 % de tokens en moins
Sur l'Artificial Analysis Coding Agent Index, Mistral Large 4 marque 48 %, à égalité avec GLM-5.3, le meilleur modèle à licence des poidspoids ouvertsConditions attachées aux fichiers de poids d'un modèle, distinctes de la licence du code qui les fait tourner. Des poids dits ouverts n'impliquent pas un logiciel libre : redistribution, usage commercial et entraînement dérivé varient d'un modèle à l'autre.Fiche du lexique du classement, en consommant 47 % de tokens de moins par tâche en moyenne. Sur Terminal-Bench 4.0, il gagne treize points par rapport à l'aperçu pour atteindre 41 %, prend la tête des modèles à poids ouverts et réduit de 30 % ses tokens de sortie. Sur FrontierCode 2.0, le banc privé de Cognition qui juge si un mainteneur fusionnerait la modification d'un agent, il marque 19,7 % et passe devant.
Un troisième résultat ne vient pas d'un banc mais d'un jugement humain. Dans les comparaisons en aveugle de Surge Code, le modèle est préféré aux autres modèles ouverts évalués, GLM-5.3, Kimi K3 et DeepSeek V4.1 Flash, et ne cède que devant Claude Opus 5.5.
51 % au Cyber Index, 96,6 % de refus sur les demandes malveillantes
Mistral place la cybersécurité au même rang que le code. Le modèle marque 51 % sur l'Artificial Analysis Cyber Index, qui mesure la découverte d'une faille dans une base de code, sa reproduction, puis son correctif sans casser l'existant. Sur les invites de cybersécurité malveillantes de JailbreakBench, StrongREJECT et AgentHarm, il refuse en moyenne 96,6 % du temps, le taux le plus haut que Mistral mesure parmi les modèles ouverts. Sur le banc B3 de sécurité des agents, il résiste à 97,1 % des attaques, contre 93,3 % en aperçu.
Le billet reconnaît une limite. Mistral dit n'avoir observé aucun cas où le modèle cédait à des attaques en boîte noire contre des cibles réelles en trafic, mais voir un potentiel d'aide à de vraies attaques, et modifie ses garde-fous en conséquence. Une variante spécialisée, réservée à des partenaires de conception comme Orange Cyberdefense, couvre le test d'intrusion, l'évaluation de vulnérabilités et le red teaming, après vérification et contrat, sur des systèmes possédés ou explicitement autorisés.
26 sur l'Intelligence Index v5, 73,3 % sur Finch
Le tableau général est plus mesuré que les scores de code. Sur l'Intelligence Index v5 d'Artificial Analysis, Mistral Large 4 marque 26 et prend la première place des modèles à poids ouverts occidentaux, les modèles ouverts chinois restant devant sur cet agrégat. Sur Finch, le banc de FinWorkBench pour le travail financier et les tableurs, il monte à 73,3 %, derrière Kimi K3 seulement parmi les modèles ouverts. La navigation web atteint 84,5 % sur BrowseComp, contre 75 % pour le point de contrôle d'affinage dont il part, et le billet cite des essais menés par Booz Allen, Cisco, Cloudflare, CrowdStrike, Fortinet, Zscaler et l'ENISA.
0,70 dollar l'entrée, 2,10 dollars la sortie
Le prix baisse avec la sortie des poids. L'API facture désormais 0,70 dollar par million de tokens d'entrée, 0,07 dollar pour l'entrée relue dans le cache et 2,10 dollars par million de tokens de sortie. Pour un agent qui reprend un long contexte à chaque tour, la ligne du cache pèse plus que les autres, parce qu'elle décide si l'appel d'API reste moins cher que l'hébergement du modèle sur ses propres cartes.
Une MIT modifiée qui ferme la revente d'inférence
La licence, nommée Mistral Ecosystem Open-Weight License, est une version modifiée de la MIT. Usage, copie, modification, affinage, publication, sous-licence et vente sont permis, avec une condition : une entreprise qui exploite le modèle comme service, c'est-à-dire qui donne à un tiers un accès à l'inférence ou à l'affinage avec un contrôle réel sur les entrées, les paramètres ou les données, doit signer un contrat commercial séparé avec Mistral. Le texte exempte les produits finaux qui embarquent le modèle dans une fonction, le simple relais de requêtes vers un modèle hébergé ailleurs et l'usage interne.
Reste un manque que Mistral annonce sans date : le rapport technique complet du modèle. Le banc FrontierCode 2.0 de Cognition n'est pas public non plus, et les résultats de cybersécurité, de finance et de navigation viennent du billet de l'éditeur.
Source primaire Mistral AI, « Mistral Large 4 (Le Chonk) is now open weight », 29 octobre 2026, et fiche du modèle Mistral-Large-4-1T-A52B sur Hugging Face