Mistral Large 4 : le « Chonk » français passe à 1 050 milliards de paramètres

Mistral AI vient de lancer Mistral Large 4, surnommé « le Chonk », son modèle le plus ambitieux à ce jour. Multimodal, orienté raisonnement, code et agents, il totalise environ 1 050 milliards de paramètres dans une architecture Mixture-of-Experts, avec seulement une fraction activée à chaque token. Au-delà du chiffre spectaculaire, l’intérêt du modèle se situe surtout dans son positionnement : poids ouverts annoncés, entraînement et hébergement européens, performances solides en cybersécurité, finance, code et travail agentique.

Mistral Large 4, c’est quoi exactement ?

Mistral Large 4 est le nouveau modèle généraliste haut de gamme de Mistral AI. La société le décrit comme un modèle multimodal, hybride instruction + raisonnement, agentique et à poids ouverts. Il accepte du texte et des images en entrée, produit du texte et dispose d’une architecture Mixture-of-Experts (MoE).

Le principe du MoE est important à comprendre. Le modèle contient un très grand nombre de paramètres, mais tous ne sont pas utilisés simultanément pour chaque token. Mistral annonce environ 1,05 billion de paramètres au total, tandis que sa documentation de préversion mentionne selon les pages environ 49 à 52 milliards de paramètres actifs. Cette différence entre paramètres totaux et paramètres actifs permet d’augmenter la capacité du modèle sans multiplier dans les mêmes proportions le coût de calcul à chaque requête.

La documentation évolue encore : Mistral indique lui-même que des détails supplémentaires sur l’architecture, les benchmarks et le post-entraînement seront publiés avec les poids. Il faut donc considérer les chiffres actuels comme ceux d’une préversion, pas comme une fiche technique définitivement figée.

Un modèle pensé pour le code, les agents et le travail professionnel

Mistral met particulièrement en avant quatre familles d’usages : le développement logiciel, les agents capables d’utiliser des outils, la compréhension multimodale et les tâches professionnelles spécialisées comme la finance, le droit, l’industrie ou la cybersécurité.

Sur le code, Mistral publie notamment 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4. Le constructeur annonce également 59,9 % sur AutomationBench, un benchmark couvrant des workflows multi-applications avec des outils comme Gmail, Google Sheets, Slack ou Salesforce.

Le modèle semble aussi beaucoup plus à l’aise que les générations précédentes sur les documents, graphiques et images. Mistral met en avant l’analyse de dessins techniques, l’imagerie géospatiale, les documents PDF et le « visual grounding », c’est-à-dire la capacité à relier précisément une réponse à une zone ou à un élément visuel.

Le score 38 d’Artificial Analysis : très bon pour l’Europe, mais pas le sommet mondial

Pour sortir du seul discours constructeur, il est utile de regarder les évaluations indépendantes. Artificial Analysis attribue à Mistral Large 4 Preview un score de 38 sur son Intelligence Index. Ce résultat le place au niveau de GPT-6 Luna (max) et à proximité de DeepSeek V4.1 Flash (max), crédité de 39.

C’est une performance importante pour Mistral : selon Artificial Analysis, il s’agit actuellement du modèle le plus intelligent développé en dehors des États-Unis et de la Chine. En revanche, il ne faut pas interpréter ce résultat comme « le meilleur modèle du marché ». Sur le classement global de l’évaluateur, ML4 reste derrière plusieurs modèles frontier fermés plus puissants.

La situation est plus impressionnante en cybersécurité. Artificial Analysis lui attribue 50 points sur le Cyber Index, avec notamment 82 % sur CyberGym-E2E-AA. Mistral revendique de son côté 93 % de réussite sur Cybench et insiste sur la possibilité de déployer le modèle sous ses propres politiques de sécurité, ce qui peut être déterminant pour les équipes SOC, CERT ou de recherche en vulnérabilités.

Souveraineté : l’argument le plus différenciant de Mistral

Mistral ne cherche pas uniquement à battre les laboratoires américains sur un score agrégé. L’entreprise insiste surtout sur un autre terrain : le contrôle de l’infrastructure et des poids du modèle.

ML4 a été entraîné depuis zéro sur 3 800 GPU NVIDIA Grace Blackwell dans les propres centres de données européens de Mistral. La préversion publique est servie depuis cette même infrastructure. La société prévoit aussi des déploiements européens opérés de bout en bout sous droit européen.

Cette stratégie prolonge celle que nous avions déjà décrite avec Mistral Medium 3.1 : proposer aux entreprises une alternative où l’IA peut être hébergée dans un cloud privé, un environnement contrôlé ou, selon les modèles et les offres, sur leur propre infrastructure.

Poids ouverts ne veut pas forcément dire « open source » au sens strict

Mistral parle volontairement de modèle à poids ouverts. Cela signifie que les poids entraînés doivent être publiés et pourront être récupérés pour être exécutés ou adaptés en dehors de l’API Mistral, sous réserve de la licence associée.

En revanche, les jeux de données d’entraînement de Mistral ne sont pas publics. La société conserve également certains éléments de sa recette d’entraînement. Il est donc plus précis de parler d’open-weight que de modèle totalement open source. Mistral indique par ailleurs que la licence exacte est documentée au niveau de chaque fiche modèle ; il faudra donc attendre la publication des poids pour connaître les conditions définitives propres à ML4.

Peut-on faire tourner Mistral Large 4 sur un PC ?

Pas de manière réaliste sur un PC grand public classique. Même si l’architecture MoE n’active qu’environ 50 milliards de paramètres à la fois, l’ensemble des poids doit être stocké et distribué sur une infrastructure suffisamment dimensionnée. Avec plus d’un billion de paramètres, on parle de centaines de gigaoctets à plusieurs téraoctets selon la précision et la quantification utilisées.

La publication des poids est donc surtout intéressante pour les laboratoires, fournisseurs cloud, grandes entreprises et intégrateurs disposant de plusieurs GPU ou d’infrastructures spécialisées. Pour l’IA locale sur un poste personnel, des modèles beaucoup plus compacts restent bien plus réalistes.

En tant que Partenaire Amazon, SysKB réalise un bénéfice sur les achats remplissant les conditions requises, sans surcoût pour le lecteur.

Ce type de machine ne permet pas d’exécuter Mistral Large 4 lui-même ; il est plutôt adapté à l’expérimentation avec des modèles open-weight plus compacts. Les références et prix Amazon évoluent régulièrement.

Une fenêtre de contexte annoncée jusqu’à 1 million de tokens

La fiche modèle de Mistral affiche une fenêtre de contexte de 1 million de tokens, ce qui place ML4 dans la catégorie des modèles capables d’absorber de très gros volumes de texte ou de documents dans une même session. Artificial Analysis indique toutefois avoir évalué la préversion avec une fenêtre de 512k tokens. Cette différence peut venir du profil de l’endpoint testé ou d’une évolution rapide de la préversion ; pour un projet de production, il faudra donc vérifier la limite effective de l’API utilisée.

Combien coûte Mistral Large 4 ?

Le tarif public standard annoncé est de 1,36 $ par million de tokens en entrée et 4,18 $ par million de tokens en sortie. Mistral applique pendant les deux premières semaines de lancement une remise de 50 %, soit 0,68 $ en entrée et 2,09 $ en sortie. L’entrée mise en cache bénéficie également d’un tarif réduit.

Artificial Analysis estime le coût par tâche de son Intelligence Index à environ 1,13 $ au tarif standard. L’évaluateur souligne que ML4 est plus cher par tâche que certains modèles open-weight chinois de niveau d’intelligence comparable. C’est un point à surveiller si l’objectif est uniquement d’optimiser le coût d’inférence ; l’intérêt de Mistral se déplace alors vers la souveraineté, la localisation européenne et la possibilité future de s’auto-héberger.

Pourquoi Mistral Large 4 est important

Le lancement est important moins parce qu’il détrône tous les concurrents que parce qu’il montre qu’un acteur européen peut désormais proposer un modèle de très grande taille crédible sur des usages professionnels avancés, avec sa propre infrastructure et une stratégie de publication des poids.

Le score général de 38 montre qu’il existe encore un écart avec les meilleurs modèles frontier fermés. Mais sur certains domaines ciblés — cybersécurité, finance, code agentique, multimodalité industrielle — Mistral se rapproche beaucoup plus du haut du tableau. Et pour une entreprise européenne qui accorde autant d’importance à la maîtrise des données qu’au score absolu d’un benchmark, ce compromis peut être plus pertinent qu’il n’y paraît.

La prochaine étape sera donc décisive : publication des poids le 26 octobre 2026, détails complets de l’architecture, licence, performances finales et possibilités réelles de déploiement. La préversion actuelle donne déjà une bonne indication : Mistral Large 4 n’est pas seulement un modèle plus gros, c’est le projet le plus sérieux de Mistral pour s’installer durablement dans la course mondiale aux modèles frontier.

Sources principales

• Mistral AI — Présentation officielle de Mistral Large 4.
• Mistral Docs — fiche modèle Mistral Large 4.
• Artificial Analysis — évaluation indépendante de Mistral Large 4.

📖 Retrouve nos autres dossiers et comparatifs dans le Guide Intelligence Artificielle 2026.