¿Qué es Mistral Large 4? Un especialista de un billón de parámetros de Europa

Mistral Large 4 es el nuevo modelo insignia de Mistral AI. Tiene aproximadamente un billón de parámetros, se entrena desde cero en Europa y sus pesos abiertos están programados para finales de octubre de 2026. No es el modelo más inteligente disponible. Lo que lo hace notable es que lidera en algunas áreas donde los modelos insignia cerrados se niegan o se quedan atrás: trabajo de seguridad defensiva, localización de objetos en imágenes y agentes de investigación legal.

Mistral lo lanzó el 6 de octubre de 2026 como una vista previa pública. Su apodo es "Le Chonk". Esta publicación cubre qué es el modelo, qué hace bien, dónde falla y cómo probarlo a través de AIHubMix.

A primera vista

En AIHubMix, el ID del modelo es mistral-large-4-0, que Mistral también acepta como un alias. Las especificaciones aquí siguen la tarjeta del modelo de Mistral. Mistral ha dado tanto 49B como 52B como el conteo de parámetros activos. La licencia para los pesos abiertos no ha sido anunciada.

Es un modelo de mezcla de expertos, por lo que solo una pequeña parte de sus parámetros está activa para cada token. Tiene un codificador de visión de 1.6B de parámetros, acepta hasta 100 imágenes por solicitud y cubre más de 160 idiomas. Mistral lo entrenó en 3,800 GPUs NVIDIA Grace Blackwell en sus propios centros de datos europeos, no sobre el modelo base de otra compañía.

Lo que hace bien

Las cifras a continuación provienen de la publicación de lanzamiento de Mistral y de ejecuciones independientes por Artificial Analysis y Vals AI. Las propias cifras de Mistral son autoinformadas, y todas fueron medidas en la vista previa mientras el entrenamiento aún estaba en curso.

Seguridad defensiva. CyberGym-E2E pide a un modelo que reproduzca una vulnerabilidad real y luego la parche. Large 4 tiene la mejor puntuación en la ejecución de Artificial Analysis. Según Mistral, Claude Opus 5.5 y GPT-6 Astra obtienen casi cero porque se niegan a realizar la tarea. Sin embargo, no dice que sí a todo. Mistral informa que se niega a solicitudes cibernéticas genuinamente dañinas más a menudo que cualquier otro modelo abierto que probó, y que bloqueó el 93.3% de los ataques en el benchmark de inyección de prompts B3 de Lakera.

Encontrar cosas en imágenes. Large 4 puede hacer anclaje visual: puede marcar dónde se encuentra un objeto, no solo describirlo. DIOR-RSVG prueba esto en imágenes satelitales y aéreas, y Dense200 lo prueba en escenas abarrotadas. Las demostraciones de Mistral incluyen escanear imágenes satelitales de gigapíxeles y verificar partes en dibujos de ingeniería.

Trabajo legal y financiero. En el benchmark del agente legal de Harvey, Vals AI lo clasifica en sexto lugar de 76 modelos y primero entre los modelos abiertos. En Finch, un benchmark financiero, el gráfico de Mistral muestra que está al nivel de DeepSeek V4 Pro.

Artificial Analysis resumió el lanzamiento de esta manera: "Francia ha vuelto a tener el modelo más inteligente fuera de EE. UU. y China."

Dónde falla

Large 4 no es un modelo versátil de frontera:

• Inteligencia general. Obtiene 38 en el Índice de Inteligencia de Artificial Analysis. Eso empata con GPT-6 Luna y se sitúa detrás de los modelos abiertos GLM-5.3 (45) y Kimi K3 (44).
• Programación pesada en terminal. Obtiene 22.7% en Terminal-Bench 4 en la ejecución de Vals AI, lo que lo coloca en el puesto 21 de 45. Claude Opus 5.5 obtiene 65.2%.
• Pruebas matemáticas e informes largos en PDF. Obtiene 10% en ProofBench y 19% en GDP.pdf. GPT-6 Astra obtiene alrededor de 32% en GDP.pdf.
• Costo por tarea. Según el conteo de Artificial Analysis, una tarea del Índice de Inteligencia cuesta $1.13 al precio de lista. Modelos abiertos igualmente capaces como GLM-5.3-Flash cuestan alrededor de $0.25.

Cómo se compara con Large 3

Large 4 cuesta aproximadamente 2.7 veces más por token que Large 3. Para trabajos de texto simples y de alto volumen que Large 3 ya maneja bien, la actualización puede no compensar su costo.

Dos cosas que saber antes de llamarlo

El razonamiento está activado por defecto. En la API de Mistral, reasoning_effort toma "none" o "high". A través de AIHubMix, las pruebas del 9 de octubre encontraron que el modelo piensa sin importar lo que diga reasoning_effort, incluyendo "none", y los tokens de pensamiento se facturan como salida. Para desactivar el pensamiento, envía "reasoning": {"effort": "none"} en el cuerpo de la solicitud, como lo hace el ejemplo a continuación. Cuando el pensamiento está activado, la guía de razonamiento de Mistral dice que se debe devolver en el siguiente turno. A través de AIHubMix, llega en un campo separado reasoning_details, y la siguiente solicitud lo acepta como parte del mensaje del asistente.

Es una vista previa. La política de ciclo de vida de Mistral permite actualizaciones silenciosas a los modelos de vista previa y da un mes de aviso antes de retirar uno. Mantén un pequeño conjunto de prompts de prueba y ejecútalos de vez en cuando.

Prueba a través de AIHubMix

AIHubMix ofrece Large 4 a través de su punto final de Completions de Chat compatible con OpenAI. Si aún no has configurado una clave, el inicio rápido toma unos minutos.

import os

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com/v1",
)

response = client.chat.completions.create(
    model="mistral-large-4-0",
    messages=[{
        "role": "user",
        "content": "Escribe una regla Sigma que marque PowerShell lanzado por aplicaciones de Office, "
                   "y explica cada condición en una línea.",
    }],
    extra_body={"reasoning": {"effort": "none"}},  # desactiva el pensamiento
)
print(response.choices[0].message.content)

La respuesta es siempre una cadena simple en content. Omite el campo reasoning y el modelo piensa primero. El pensamiento llega como una lista en message.model_extra["reasoning_details"], y sus tokens cuentan como salida. Con el pensamiento activado, da a max_tokens suficiente margen. En las pruebas, se utilizó un límite de 300 tokens que fue consumido por el pensamiento y devolvió una respuesta vacía.

Quién debería probarlo

• Equipos de seguridad que realicen reproducción de vulnerabilidades, parches, análisis de malware o reglas de detección que los modelos cerrados rechazan.
• Equipos que trabajen con imágenes, como inspección satelital y aérea, dibujos de ingeniería y escenas densas, donde las cajas importan más que los subtítulos.
• Desarrolladores legales y financieros que deseen un modelo abierto cerca de la cima de los benchmarks de agentes.
• Organizaciones europeas que necesiten un modelo que no sea ni estadounidense ni chino, con un despliegue alojado en la UE y un camino hacia la autoalojamiento.

Para agentes de codificación generales o trabajos cotidianos sensibles al costo, compáralo primero con otros modelos. La lista de modelos de AIHubMix te permite ejecutar los mismos prompts contra Large 4 y sus alternativas con una sola clave.

FAQ

¿Qué es Mistral Large 4?
Es el modelo insignia de Mistral AI, lanzado en vista previa pública el 6 de octubre de 2026. Es un modelo de mezcla de expertos con 1.05 billones de parámetros, acepta entrada de texto e imagen, y devuelve texto.

¿Es Mistral Large 4 de código abierto?
Aún no. Mistral planea publicar los pesos a finales de octubre de 2026, pero no ha anunciado la licencia. La licencia Apache 2.0 de Large 3 no se transfiere automáticamente.

¿Cuánto cuesta?
El precio de lista es $1.36 por millón de tokens de entrada, $0.14 por millón de tokens de entrada en caché, y $4.18 por millón de tokens de salida.

¿Cuál es la longitud de la ventana de contexto?
1M tokens, según la tarjeta del modelo de Mistral. Eso es cuatro veces los 256K de Large 3.

¿Es mejor que GPT-6 o Claude?
Solo en áreas específicas: tareas de seguridad defensiva que los modelos cerrados rechazan, anclaje visual y el benchmark del agente legal de Harvey. En inteligencia amplia y codificación agente, los modelos insignia cerrados siguen estando muy por delante.

¿Soporta razonamiento?
Sí, y está activado por defecto. A través de AIHubMix, el pensamiento regresa en un campo separado de reasoning_details. Para desactivarlo, envía un objeto de razonamiento con el esfuerzo establecido en ninguno en el cuerpo de la solicitud. Establecer reasoning_effort en ninguno no lo desactiva en AIHubMix.

¿Puede leer imágenes?
Sí. Acepta hasta 100 imágenes por solicitud y puede marcar dónde se encuentran los objetos en ellas. No puede generar imágenes.

Fuentes

• Presentando Mistral Large 4 (Mistral AI)
• Tarjeta del modelo Mistral Large 4 (Documentación de Mistral)
• Mistral Large 4.0 en AIHubMix
• Mistral Large 4: Francia es el hogar del modelo más inteligente fuera de EE. UU. y China (Artificial Analysis)
• Benchmarks de Mistral Large 4 (Vals AI)