Mistral ouvre les poids de son plus gros modèle : 1 000 milliards de paramètres, entraînés en Europe, avec des scores de code que l'entreprise présente comme les meilleurs du camp des poids ouverts.
Mistral Large 4, surnommé Le Chonk, passe en poids ouverts
Le 29 octobre 2026, Mistral AI a publié les poids de Mistral Large 4. Le modèle était déjà accessible depuis le 6 octobre en aperçu public ; ce qui change, c'est la mise à disposition des fichiers eux-mêmes. Vous pouvez désormais le télécharger et le faire tourner sur vos propres machines, sans passer par l'API.
Le nom de code interne, Le Chonk (« le gros chat dodu » en argot internet), prête à sourire pour une société bâtie sur des modèles compacts. « Poids ouverts » veut dire les fichiers de paramètres, exécutables chez vous. Pas un logiciel libre : la licence fixe ses conditions.
1 000 milliards de paramètres, dont 50 milliards travaillent vraiment
Le modèle compte 1 000 milliards de paramètres au total. Il repose sur une architecture dite à mélange d'experts creux : au lieu de solliciter l'ensemble du réseau à chaque mot produit, un mécanisme d'aiguillage envoie le calcul vers quelques sous-réseaux spécialisés. Résultat, seuls 50 milliards environ sont activés pendant l'inférence. VentureBeat avance 49 milliards, l'annonce de l'aperçu en mentionnait 52. L'écart tient à la façon de compter, et montre la limite de ce genre de chiffre.
D'où l'intérêt économique : activer chaque paramètre coûterait une fortune, le routage ramène le coût par token à celui d'un modèle dix fois plus petit. Multimodal en entrée (texte, images), strictement texte en sortie.
La génération précédente donne l'échelle. Mistral Large 3 affichait 675 milliards de paramètres pour 41 milliards activés, entraîné sur 3 000 GPU H200. Large 4 double presque le total.
L'entraînement s'est fait de zéro, dans les centres de données européens de Mistral, sur environ 4 000 GPU Nvidia Grace Blackwell, en deux mois d'après VentureBeat. Le modèle couvre plus de 160 langues, dont toutes les langues officielles de l'Union européenne. C'est l'argument de souveraineté que Mistral répète depuis sa création, désormais adossé à un modèle de cette taille.
Trois réglages de raisonnement, High par défaut
Le modèle propose trois niveaux d'effort de raisonnement. Le niveau Low traite les tâches simples et remplace l'ancien mode « sans raisonnement ». Le niveau Medium couvre l'usage quotidien. Le niveau High est le réglage par défaut, celui que Mistral destine aux problèmes les plus difficiles.
Ce choix n'est pas anodin. Un modèle qui « réfléchit » avant de répondre consomme des tokens de sortie, donc de l'argent et du temps. Mistral parie que ses clients préfèrent la qualité à la latence quand ils sollicitent un modèle de cette taille. Pour du reformatage de texte, High est du gaspillage.
Les scores de code que Mistral met en avant
Tous les chiffres qui suivent sont communiqués par Mistral, sans reproduction indépendante. À lire comme des revendications d'éditeur.
Sur FrontierCode 2.0, un banc d'essai privé de Cognition qui mesure la qualité du code de bout en bout, autrement dit la probabilité qu'un mainteneur de dépôt accepte la modification, Mistral Large 4 atteint 19,7 %. C'est le meilleur score parmi les modèles à poids ouverts selon Mistral, devant DeepSeek V4.1 Flash (19,3 %), GLM-5.3 (17,8 %) et Kimi K3 (17,3 %).
Sur Terminal-Bench 4.0, qui évalue la capacité à mener des tâches en ligne de commande, le modèle atteint 41 %, soit 13 points de plus que la version d'aperçu, avec 30 % de tokens de sortie en moins. Mistral le classe premier des poids ouverts.
Sur l'index Coding Agent d'Artificial Analysis, il plafonne à 48 %, à peu près au niveau de GLM-5.3. La différence se lit ailleurs : 47 % de tokens en moins par tâche en moyenne. À qualité comparable, le coût par tâche devient l'argument.
VentureBeat ajoute 62 % sur DeepSWE v1.1, tirés des données préliminaires de Mistral, contre 61 % pour GLM-5.3, 57 % pour DeepSeek V4 Pro 0813, 51 % pour Qwen 3.8 Max et 44 % pour Beam. Le média rappelle que les protocoles diffèrent d'un modèle à l'autre, ce qui interdit de classer à la décimale.
Le test le plus parlant reste la préférence humaine en aveugle, via Surge Code. Le modèle l'emporte sur GLM-5.3 avec 64 % des préférences, sur Kimi K3 avec 56 %, sur DeepSeek V4.1 Flash avec 78 %. Face à Claude Opus 5.5, il ne récolte que 22 %. C'est la seule ligne qui le situe face au haut de gamme fermé, et elle est moins flatteuse.
La sécurité défensive, argument central chez Mistral
Mistral a insisté sur la cybersécurité, avec un message double : ce modèle sait trouver des failles, et il refuse de les exploiter.
Les chiffres annoncés par Mistral : 51 % sur l'index Cyber d'Artificial Analysis, qui mesure la capacité à repérer une vulnérabilité dans une base de code, à la reproduire puis à la corriger sans casser l'existant. Le taux de refus moyen face à des demandes malveillantes de nature cyber atteint 96,6 %, sur des jeux de prompts issus de JailbreakBench, StrongREJECT et AgentHarm. Sur le banc d'essai de sécurité d'agents B3, le modèle résiste à 97,1 % des attaques, contre 93,3 % pour l'aperçu. Il obtient 73,3 % sur Finch, un banc d'essai financier où il se place deuxième des modèles ouverts derrière Kimi K3 (77,3 %), et 84,5 % sur BrowseComp.
Un taux de 96,6 % se lit à l'envers : dans 3,4 % des cas, la demande passe. Mistral ne cache pas le problème. Sur du trafic réel, le modèle refuse les attaques en boîte noire contre des cibles en ligne, mais l'entreprise « voit encore une marge d'amélioration » pour un usage offensif réel, et ajuste ses garde-fous.
D'où une offre parallèle : des variantes spécialisées en cybersécurité, conçues pour des partenaires comme Orange Cyberdefense, destinées aux tests d'intrusion, à l'évaluation de vulnérabilités et aux exercices de red team. Elles passent par un examen strict et un contrat, et ne visent que des systèmes que le client possède ou pour lesquels il est autorisé.
Une licence ouverte, avec une clause pour le MaaS
Les poids sont publiés sous la licence maison de Mistral, avec une seule condition additionnelle : toute entreprise qui propose le modèle en tant que service (le fameux MaaS) doit obtenir une licence commerciale séparée.
Concrètement, vous pouvez télécharger les fichiers, les ajuster et les exécuter pour vos besoins internes. Pour les revendre en API à vos clients, il faut négocier. Même logique que chez plusieurs éditeurs récents : ouvrir les poids pour installer un standard, garder la main sur la revente. Un hébergeur qui propose le modèle en endpoint managé doit donc obtenir un accord, même avec les GPU.
Où le récupérer, et combien coûte l'API
Les poids sont sur Hugging Face. Pour l'auto-hébergement, Mistral cite vLLM et SGLang, deux moteurs qui gèrent le routage des experts et la mémoire. Comptez du matériel sérieux, même à 50 milliards de paramètres actifs. Côté hébergé : Mistral Studio, l'API Mistral, OpenRouter, les endpoints gérés par Nvidia et Vibe Code.
Le tarif API : 0,70 dollar par million de tokens d'entrée, 0,07 dollar pour l'entrée mise en cache, 2,10 dollars pour la sortie. Le cache à un dixième du prix vise les usages à longs préambules répétés, comme un assistant de code qui recharge le même contexte.
Le rapport technique est annoncé « prochainement ». Les évaluations disponibles viennent donc de Mistral ou des partenaires qui les ont produites.
Deux points restent à surveiller. D'abord les mesures indépendantes sur du code réel, parce qu'un banc d'essai privé reste un banc d'essai. Ensuite le coût par tâche : si les 47 % de tokens économisés se confirment hors des tests, le prix au million de tokens devient secondaire face au prix d'un travail terminé.
