Le 6 octobre 2026, Mistral AI a ouvert en préversion publique Mistral Large 4, surnommé en interne « le Chonk ». C'est le plus gros modèle jamais entraîné par la start-up française : environ 1 000 milliards de paramètres, dont seulement 49 milliards actifs à chaque token, et une fenêtre de contexte d'un million de tokens.
Le détail qui compte pour une entreprise française n'est pas dans les benchmarks. Mistral Large 4 a été entraîné sur 3 800 GPU NVIDIA Grace Blackwell installés dans les datacenters européens de Mistral, et ses poids doivent être publiés d'ici la fin du mois. Un modèle de cette taille, conçu et entraîné en Europe, pourra donc être téléchargé et hébergé ailleurs que chez son éditeur. Reste à savoir ce qu'il vaut vraiment, combien il coûte, et sous quelle licence il arrivera.
Ce que Mistral a annoncé exactement
| Élément | Valeur |
|---|---|
| Annonce | 6 octobre 2026, préversion publique |
| Paramètres totaux | environ 1 000 milliards (1 050 milliards selon la fiche technique) |
| Paramètres actifs par token | 49 milliards (52 en comptant embeddings et couches de sortie) |
| Architecture | Mixture of Experts, multimodal natif |
| Entrées | texte et image (encodeur vision de 1,6 milliard de paramètres) |
| Contexte | 1 million de tokens |
| Entraînement | 3 800 GPU Grace Blackwell, datacenters européens de Mistral, environ deux mois |
| Accès aujourd'hui | API en préversion sur Mistral Studio |
| Prix API | 1,36 $ en entrée, 4,18 $ en sortie par million de tokens |
| Poids | promis « d'ici la fin du mois » |
| Licence | pas encore publiée |
Deux chiffres circulent avec des variantes, et il vaut mieux savoir pourquoi. Plusieurs médias parlent de 4 000 GPU : c'est un arrondi, l'annonce officielle de Mistral indique 3 800. La date des poids varie aussi : le 26 octobre selon Next, le 27 selon VentureBeat et The Next Web, et la page Hugging Face du modèle affiche une estimation au 31 octobre. Mistral, de son côté, s'en tient à « la fin du mois ».
L'entraînement aurait mobilisé une dizaine de mégawatts pendant deux mois, selon The Next Web. Un rappel utile que la bataille du mégawatt se joue aussi sur le sol européen.
49 milliards actifs sur 1 000 : ce que change le Mixture of Experts
Mistral Large 4 est un modèle Mixture of Experts. Ses paramètres sont répartis entre de nombreux « experts » spécialisés, et un routeur n'en sollicite qu'une petite partie pour chaque token. Ici, moins de 5 % du réseau travaille à chaque étape de génération.
La conséquence est double, et les résumés n'en retiennent souvent que la moitié :
- Le calcul par token suit les paramètres actifs. Produire une réponse coûte à peu près ce que coûterait un modèle dense d'une cinquantaine de milliards de paramètres. C'est ce qui permet à Mistral d'afficher un prix contenu pour un modèle de cette taille.
- La mémoire nécessaire suit les paramètres totaux. Pour servir le modèle, les 1 000 milliards de paramètres doivent être chargés, même si la plupart dorment à un instant donné. Le Mixture of Experts réduit la facture de calcul, pas celle du matériel.
Nous y revenons plus bas, parce que c'est ce second point qui décidera si vous pouvez réellement l'héberger.
Les scores annoncés, et ceux qui résistent à la vérification
Mistral a publié une batterie de résultats. Les voici, avec la colonne que les annonces mettent moins en avant.
| Domaine | Épreuve | Mistral Large 4 | Point de comparaison |
|---|---|---|---|
| Cybersécurité | Artificial Analysis Cyber Index, reproduction de vulnérabilités | 82 % | meilleur score tous modèles confondus, selon Mistral |
| Cybersécurité | Cybench | 93 % des défis résolus | non communiqué |
| Juridique | Harvey Legal Agent Benchmark | 15 % de tâches réussies | GPT-6 Astra 5 %, Kimi K3 12,9 % |
| Finance | FinWorkBench | 67 % | DeepSeek V4 Pro 67 %, GLM-5.3 65 % |
| Code agentique | DeepSWE v1.1 | 61,7 % | Kimi K3 68,0 %, DeepSeek V4.1 Flash 74,2 % |
| Terminal | Terminal-Bench 4.0 | 28,3 % annoncé | 22,7 % mesuré par Vals.ai |
| Vision | Dense 200 (ancrage visuel) | 42 % | GPT-6 Astra 41 % |
| Global | Artificial Analysis Intelligence Index | 38 | derrière les meilleurs modèles ouverts chinois |
Le juridique : devant GPT-6 Astra, mais très loin d'un juriste
L'affirmation la plus reprise est celle de la supériorité sur GPT-6 Astra en tâches juridiques. Elle est exacte sur le benchmark de Harvey : 15 % de tâches réussies contre 5 %. Il faut pourtant lire le chiffre jusqu'au bout. Le modèle ouvert le mieux classé sur ce test échoue sur 85 % des tâches juridiques agentiques qui le composent. C'est un progrès relatif, pas un assistant juridique autonome.
Côté finance, VentureBeat précise n'avoir pas pu retrouver dans les classements publics les scores concurrents affichés dans le graphique de Mistral. Ces résultats restent donc à confirmer par des évaluateurs indépendants.
La cybersécurité : le vrai point fort, et un sujet en soi
Les scores en cybersécurité sont les plus solides de l'annonce. Mistral classe son modèle parmi les cinq premiers au monde sur l'Artificial Analysis Cyber Index, et premier des modèles ouverts développés hors de Chine. Il atteint 82 % sur l'épreuve de reproduction de vulnérabilités et résout 93 % des défis de Cybench.
Deux nuances s'imposent. D'abord, Mistral indique que certains modèles fermés concurrents refusent une partie de ces épreuves : l'écart mesure donc aussi une politique de refus, pas seulement une capacité. Ensuite, un modèle capable de reproduire des vulnérabilités, dont les poids seront librement téléchargeables, est un outil à double tranchant. Mistral en est conscient : la préversion est en cours de red-teaming avec des experts en cybersécurité, et des versions restreintes sont confiées à des entreprises du secteur et à des administrations pendant les trois semaines qui précèdent la publication des poids. C'est exactement le débat que nous évoquions sur la nécessité de contrôleurs indépendants.
Le code et le classement général : compétitif, pas en tête
Sur le code agentique, Mistral Large 4 devance GLM-5.3 et DeepSeek V4 Pro selon The Next Web, mais reste derrière Kimi K3 et DeepSeek V4.1 Flash sur DeepSWE. Sur Terminal-Bench 4.0, l'écart entre le score annoncé (28,3 %) et celui mesuré par Vals.ai (22,7 %) rappelle pourquoi il faut attendre les évaluations tierces.
Au classement global d'Artificial Analysis, le modèle obtient 38 points : le meilleur résultat d'un modèle ouvert occidental, mais derrière les meilleurs modèles ouverts chinois, comme Kimi K3. L'Europe revient dans la course. Elle ne la mène pas.
Le prix : attractif sur le papier, à mesurer sur vos usages
Le tarif standard est de 1,36 $ par million de tokens en entrée et 4,18 $ en sortie. La documentation de Mistral affiche aussi un tarif d'entrée en cache à 0,14 $, et un tarif divisé par deux (0,68 $ et 2,09 $) qui correspond au traitement par lots.
Next relève cependant un point que les comparatifs de prix oublient : le modèle est verbeux. Un prix au token bas ne dit rien du coût réel si le modèle produit deux fois plus de texte pour arriver au même résultat. La seule mesure qui vaille est le coût par tâche réussie, sur vos propres cas d'usage.
L'héberger soi-même : la vraie promesse, et sa facture
La publication des poids est l'argument le plus fort de Mistral Large 4. Elle permettra, en théorie, de faire tourner un modèle de classe frontière sur une infrastructure que vous contrôlez, sans que vos données ne quittent votre périmètre.
Les ordres de grandeur, calculés sur les poids bruts, sont les suivants :
| Précision | Poids à charger | Ordre de grandeur matériel |
|---|---|---|
| BF16 (2 octets par paramètre) | environ 2,1 To | plusieurs serveurs GPU de datacenter |
| FP8 (1 octet) | environ 1,05 To | un serveur multi-GPU haut de gamme au minimum |
| 4 bits | environ 525 Go | toujours plusieurs GPU de datacenter |
Ces chiffres excluent le cache de contexte, les activations et la redondance, qui alourdissent encore la facture, surtout avec un million de tokens de contexte. Nous sommes très loin du Qwen3.8-Flash-Next qui tenait sur une station de travail de 128 Go.
Dernier point, et non des moindres : la licence n'est pas encore connue. Mistral Large 3 était publié sous Apache 2.0. Pour Large 4, VentureBeat évoque une licence propre à Mistral. Tant qu'elle n'est pas publiée, impossible de savoir si un usage commercial, une intégration dans un produit revendu ou un hébergement pour des tiers seront libres.
Notre avis chez RedArrow
La bonne nouvelle n'est pas qu'un modèle français batte GPT-6 Astra sur un benchmark juridique où les deux échouent dans la grande majorité des cas. C'est qu'un modèle de classe frontière, entraîné sur des machines installées en Europe, va devenir téléchargeable. Pour une ETI dans le juridique, la santé ou l'industrie, qui ne peut pas envoyer ses dossiers vers une API américaine ou chinoise, c'est une option qui n'existait pas à ce niveau de performance. Elle s'inscrit dans la stratégie que Mistral défendait avec ses 22 mesures pour la souveraineté IA européenne.
Soyons lucides sur le périmètre. Avec plus d'un téraoctet de poids, l'auto-hébergement reste réservé aux grandes structures et aux hébergeurs. Pour une PME, la voie réaliste passera par l'API de Mistral ou par un hébergeur européen qui servira les poids ouverts. Et le niveau en cybersécurité du modèle profitera aussi bien aux équipes de défense qu'aux attaquants : raison de plus pour sécuriser dès maintenant vos propres agents.
Concrètement, nous ne basculerons pas les outils de nos clients le jour de la sortie des poids. Nous construisons nos logiciels métier avec agent IA intégré et nos agents IA avec un moteur interchangeable : nous testerons Large 4 sur les données réelles de chaque client, et nous l'adopterons là où il fait mieux pour moins cher. Comme nous l'écrivions face à la fatigue de modèle, le classement du mois ne doit jamais dicter votre architecture.
Questions fréquentes
Mistral Large 4 est-il meilleur que GPT-6 Astra ?
Sur certaines épreuves, oui selon Mistral : 15 % contre 5 % sur le benchmark juridique de Harvey et 42 % contre 41 % sur Dense 200. Rien ne permet en revanche de parler de supériorité générale : avec 38 points sur l'Intelligence Index d'Artificial Analysis, il reste derrière les meilleurs modèles ouverts chinois, et plusieurs scores n'ont pas encore été vérifiés par des tiers.
Quand les poids de Mistral Large 4 seront-ils disponibles ?
Mistral promet la publication des poids d'ici la fin octobre 2026. Les médias citent le 26 ou le 27 octobre, et la page Hugging Face affiche une estimation au 31 octobre. La licence n'est pas encore publiée.
Peut-on héberger Mistral Large 4 dans son entreprise ?
En théorie oui, une fois les poids publiés, mais il faut environ 1 To de mémoire en FP8 et 525 Go en 4 bits, hors cache de contexte. Cela représente plusieurs GPU de datacenter. Pour une PME, l'API de Mistral ou un hébergeur européen est plus réaliste.
En résumé
Mistral Large 4 remet l'Europe dans la course des modèles géants : environ 1 000 milliards de paramètres, 49 milliards actifs, un million de tokens de contexte, un entraînement sur 3 800 GPU en Europe et des poids promis pour la fin octobre. Ses scores en cybersécurité sont remarquables. Sa supériorité sur GPT-6 Astra en juridique est réelle mais porte sur un test que tous les modèles échouent largement. Son prix est attractif, sa verbosité à surveiller, et sa licence encore inconnue.
Pour une entreprise française, la question n'est pas de savoir s'il faut adopter Mistral Large 4 dès demain. C'est de savoir si votre architecture vous permettra de l'essayer sur vos propres données, le jour où ses poids seront disponibles.
Parlons de votre architecture IA en 30 minutes →
Sources : Mistral AI, annonce officielle · Mistral AI, fiche technique et tarifs · Next, Vincent Hermann · VentureBeat · The Next Web · CellCog, comparatifs et licence · Kingy AI, besoins matériels et Intelligence Index · AI Weekly · Hugging Face, page du modèle
