A Mistral colocou na internet os pesos do seu maior modelo, com um trilhão de parâmetros e um desempenho em código que a empresa apresenta como o melhor entre os abertos. A ressalva está na licença, não no download.
O que a Mistral abriu no Hugging Face
Em 29 de outubro, a Mistral AI publicou os pesos do Mistral Large 4, seu modelo mais capaz. Ele apareceu em 6 de outubro como prévia pública e agora vira um pacote que qualquer pessoa com hardware suficiente pode baixar.
O codinome interno é Le Chonk, o apelido de um gato gordo que virou meme. Combina com o tamanho: são um trilhão de parâmetros no total.
Pesos abertos querem dizer que o arquivo do modelo fica disponível para uso local. Você baixa do Hugging Face, sobe em servidor próprio e deixa de depender da API da empresa francesa para cada requisição. Não é código aberto no sentido jurídico estrito, porque a licença é própria, mas o acesso ao modelo é livre para a maioria dos usos.
Para servir o modelo em casa, a recomendação é vLLM ou SGLang, duas ferramentas que executam modelos grandes em GPU. Quem não quer essa trabalheira tem atalhos: Mistral Studio, a API da Mistral, o OpenRouter, endpoints hospedados pela NVIDIA e o Vibe Code, o ambiente de programação da companhia.
Um trilhão de parâmetros, 50 bilhões em uso
O número da manchete assusta e engana ao mesmo tempo. O Mistral Large 4 usa arquitetura de mistura de especialistas, o MoE: em vez de acionar o modelo inteiro a cada palavra gerada, o sistema escolhe uma parte pequena de blocos especializados para cada trecho.
Resultado: dos 1 trilhão de parâmetros totais, cerca de 50 bilhões são ativados por vez. A VentureBeat registra 49 bilhões; o anúncio da prévia falava em 52 bilhões. A diferença vem de arredondamento e de versão, e não muda a ordem de grandeza.
Essa separação é o que torna o modelo viável. Um modelo denso com um trilhão de parâmetros exigiria memória absurda e responderia devagar. Com ativação esparsa, o custo por resposta fica próximo ao de um modelo bem menor.
A geração anterior mostra o salto. O Mistral Large 3 tinha 675 bilhões de parâmetros e 41 bilhões ativos, o que segurava o custo de operação em um patamar parecido.
Como o modelo foi treinado e o que ele aceita de entrada
O treino foi feito do zero em data centers próprios na Europa, com cerca de 4 mil GPUs Nvidia Grace Blackwell e duração de aproximadamente dois meses, segundo a VentureBeat. O Large 3 tinha sido treinado com 3 mil H200.
A cobertura linguística é um argumento comercial claro. O modelo trabalha com mais de 160 idiomas, incluindo todas as línguas oficiais da União Europeia, o que interessa a empresas que atendem mercados locais sem passar pelo inglês.
A entrada é multimodal: o modelo lê texto e imagens. A saída é só texto. Na prática, ele consegue analisar um print de tela, um gráfico ou a foto de um documento e responder por escrito, mas não gera imagem nenhuma.
O controle de raciocínio vem em três níveis. O Low substitui o antigo modo sem raciocínio e atende tarefas simples. O Medium é o dia a dia. O High é o padrão e fica com os problemas mais duros, gastando mais tokens para pensar antes de responder.
Os números de código que a Mistral reporta
Toda a lista abaixo é divulgada pela própria Mistral, com exceção dos índices que vêm da Artificial Analysis e que a empresa apenas cita. Vale tratar como declaração do fabricante, não como medição independente.
No FrontierCode 2.0, teste privado da Cognition que mede qualidade de código de ponta a ponta e se um mantenedor de repositório aceitaria o patch, o Large 4 marca 19,7%, o melhor resultado entre modelos de pesos abertos. Atrás vêm DeepSeek V4.1 Flash (19,3%), GLM-5.3 (17,8%), Kimi K3 (17,3%), GLM-5.3 Flash (14,2%) e Beam 1.0 (2,9%).
No Terminal-Bench 4.0, que simula tarefas de linha de comando, o resultado é 41%, treze pontos acima da prévia, com 30% menos tokens de saída. Segundo a Mistral, é o primeiro lugar entre os abertos.
No índice de agentes de código da Artificial Analysis, o número é 48%, praticamente empatado com o GLM-5.3, com uma diferença que interessa a quem paga a conta: 47% menos tokens por tarefa, em média.
A VentureBeat acrescenta um dado do DeepSWE v1.1, com 62% para o Large 4, contra 61% do GLM-5.3, 57% do DeepSeek V4 Pro 0813, 51% do Qwen 3.8 Max e 44% do Beam. O próprio veículo avisa que as metodologias de cada empresa não são idênticas, então a comparação tem limite.
O teste mais revelador é o Surge Code, de preferência humana às cegas. O Large 4 vence 64% das comparações contra o GLM-5.3, 56% contra o Kimi K3 e 78% contra o DeepSeek V4.1 Flash. Contra o Claude Opus 5.5, ganha apenas 22%, ou seja, perde 78% das vezes. É o retrato honesto da distância que ainda separa um bom modelo aberto do topo fechado.
Segurança: recusa alta e um índice de ciberataque no meio da tabela
A Mistral deu destaque ao eixo de segurança ofensiva, e os números são dela.
No Cyber Index da Artificial Analysis, que mede achar falhas em um repositório, reproduzir o problema e corrigir sem quebrar o resto, o modelo marca 51%.
A taxa média de recusa a pedidos maliciosos de rede é de 96,6%, segundo a Mistral, medida sobre prompts de cunho cibernético retirados do JailbreakBench, do StrongREJECT e do AgentHarm. A empresa afirma ser o maior índice entre os modelos abertos que testou.
No B3, avaliação de segurança de agentes, o modelo resiste a 97,1% dos ataques, contra 93,3% na prévia. No Finch, de finanças, chega a 73,3%, segundo lugar entre abertos, atrás apenas do Kimi K3 com 77,3%. No BrowseComp, que mede navegação e busca de informação, o número é 84,5%.
Há um detalhe que a própria Mistral admite e que merece atenção. Monitorando tráfego real, a empresa diz que o modelo recusa ataques de caixa-preta contra alvos online, mas que ainda enxerga espaço para uso em ataques reais. Por isso segue ajustando as barreiras.
Em paralelo, a companhia oferece a parceiros corporativos, como a Orange Cyberdefense, uma variante otimizada para segurança ofensiva, com foco em teste de invasão, avaliação de vulnerabilidades e simulações de ataque. O acesso passa por análise e contrato, e só vale para sistemas próprios ou com autorização explícita.
A licença tem uma condição só, e ela pesa
A licença é da própria Mistral, não uma Apache ou MIT. Para uso interno, pesquisa, ajuste fino e produtos que embutem o modelo, não há cobrança extra.
A exceção aparece quando alguém quer oferecer o modelo como serviço, no formato conhecido pela sigla MaaS, de modelo como serviço. Nesse caso, é preciso negociar uma licença comercial com a Mistral.
Quanto custa pela API e o que ainda falta
Pela API, o preço é de 0,70 dólar por milhão de tokens de entrada, 0,07 dólar para entrada em cache e 2,10 dólares por milhão de tokens de saída. O valor fica abaixo de boa parte dos modelos fechados de porte equivalente.
O relatório técnico ainda não saiu, e a empresa diz que publica em breve. Até lá, arquitetura detalhada, composição do treino e metodologia de avaliação interna seguem sem documento público, o que dificulta auditoria independente dos números.
Le Chonk chega com uma combinação rara: pesos abertos, preço de API agressivo e licença restritiva apenas na revenda. Se essa combinação virar padrão, a discussão sobre pesos abertos deixa de ser sobre acesso e passa a ser sobre quem pode lucrar revendendo o trabalho dos outros.
