Qu'est-ce que Mistral Large 4 ? Un spécialiste à un trillion de paramètres venu d'Europe

Mistral Large 4 est le nouveau modèle phare de Mistral AI. Il possède environ un trillion de paramètres, il a été entraîné de zéro en Europe, et ses poids ouverts devraient être disponibles à la fin d'octobre 2026. Ce n'est pas le modèle le plus intelligent disponible. Ce qui le rend remarquable, c'est qu'il excelle dans quelques domaines où les modèles phares fermés refusent ou sont à la traîne : le travail de sécurité défensive, la localisation d'objets dans des images et les agents de recherche juridique.

Mistral l'a publié le 6 octobre 2026 en tant qu'aperçu public. Son surnom est "Le Chonk". Cet article couvre ce qu'est le modèle, ce qu'il fait bien, où il est en deçà, et comment l'essayer via AIHubMix.

En un coup d'œil

Sur AIHubMix, l'ID du modèle est mistral-large-4-0, que Mistral accepte également comme alias. Les spécifications ici suivent la fiche technique du modèle de Mistral. Mistral a donné à la fois 49B et 52B comme nombre de paramètres actifs. La licence pour les poids ouverts n'a pas été annoncée.

C'est un modèle à mélange d'experts, donc seule une petite partie de ses paramètres est active pour chaque token. Il dispose d'un encodeur de vision de 1,6B de paramètres, accepte jusqu'à 100 images par requête, et couvre plus de 160 langues. Mistral l'a entraîné sur 3 800 GPU NVIDIA Grace Blackwell dans ses propres centres de données européens, et non sur un modèle de base d'une autre entreprise.

Ce qu'il fait bien

Les chiffres ci-dessous proviennent du post de lancement de Mistral et de tests indépendants réalisés par Artificial Analysis et Vals AI. Les chiffres de Mistral sont auto-déclarés, et tous ont été mesurés lors de l'aperçu pendant que l'entraînement était encore en cours.

Sécurité défensive. CyberGym-E2E demande à un modèle de reproduire une vulnérabilité réelle puis de la corriger. Large 4 a le meilleur score lors du test d'Artificial Analysis. Selon Mistral, Claude Opus 5.5 et GPT-6 Astra obtiennent des scores proches de zéro car ils refusent la tâche. Cependant, il ne dit pas oui à tout. Mistral rapporte qu'il refuse des demandes cybernétiques réellement nuisibles plus souvent que tout autre modèle ouvert qu'il a testé, et qu'il a bloqué 93,3 % des attaques sur le benchmark d'injection de prompt B3 de Lakera.

Localisation d'objets dans les images. Large 4 peut effectuer un ancrage visuel : il peut marquer où se trouve un objet, pas seulement le décrire. DIOR-RSVG teste cela sur des images satellites et aériennes, et Dense200 le teste sur des scènes encombrées. Les démonstrations de Mistral incluent la numérisation d'images satellites en gigapixels et la vérification de parties sur des dessins techniques.

Travail juridique et financier. Sur le benchmark de l'agent juridique de Harvey, Vals AI le classe sixième sur 76 modèles et premier parmi les modèles ouverts. Sur Finch, un benchmark financier, le graphique de Mistral montre qu'il est au même niveau que DeepSeek V4 Pro.

Artificial Analysis a résumé la sortie de cette manière : "La France est de retour avec le modèle le plus intelligent en dehors des États-Unis et de la Chine."

Où il est en deçà

Large 4 n'est pas un modèle polyvalent de pointe :

• Intelligence générale. Il obtient un score de 38 sur l'Index d'Intelligence d'Artificial Analysis. Cela le place à égalité avec GPT-6 Luna et derrière les modèles ouverts GLM-5.3 (45) et Kimi K3 (44).
• Codage lourd en terminal. Il obtient 22,7 % sur Terminal-Bench 4 lors du test de Vals AI, ce qui le place 21e sur 45. Claude Opus 5.5 obtient 65,2 %.
• Preuves mathématiques et longs rapports PDF. Il obtient 10 % sur ProofBench et 19 % sur GDP.pdf. GPT-6 Astra obtient environ 32 % sur GDP.pdf.
• Coût par tâche. Selon le décompte d'Artificial Analysis, une tâche de l'Index d'Intelligence coûte 1,13 $ au prix de liste. Des modèles ouverts tout aussi capables comme GLM-5.3-Flash coûtent environ 0,25 $.

Comment il se compare à Large 3

Large 4 coûte environ 2,7 fois plus par token que Large 3. Pour un travail textuel simple et à fort volume que Large 3 gère déjà bien, la mise à niveau peut ne pas être rentable.

Deux choses à savoir avant de l'appeler

Le raisonnement est activé par défaut. Sur l'API de Mistral, reasoning_effort prend "none" ou "high". À travers AIHubMix, des tests effectués le 9 octobre ont révélé que le modèle pense peu importe ce que dit reasoning_effort, y compris "none", et les tokens de raisonnement sont facturés comme sortie. Pour désactiver le raisonnement, envoyez "reasoning": {"effort": "none"} dans le corps de la requête, comme le fait l'exemple ci-dessous. Lorsque le raisonnement est activé, le guide de raisonnement de Mistral indique de le renvoyer lors du tour suivant. À travers AIHubMix, il arrive dans un champ reasoning_details séparé, et la prochaine requête l'accepte comme partie du message de l'assistant.

C'est un aperçu. La politique de cycle de vie de Mistral permet des mises à jour silencieuses des modèles en aperçu et donne un préavis d'un mois avant de retirer un modèle. Gardez un petit ensemble de prompts de test et réexécutez-les de temps en temps.

Essayez-le via AIHubMix

AIHubMix propose Large 4 via son point de terminaison de complétions de chat compatible OpenAI. Si vous n'avez pas encore configuré de clé, le démarrage rapide prend quelques minutes.

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": "Write a Sigma rule that flags PowerShell launched by Office apps, "
                   "and explain each condition in one line.",
    }],
    extra_body={"reasoning": {"effort": "none"}},  # désactive le raisonnement
)
print(response.choices[0].message.content)

La réponse est toujours une chaîne simple dans content. Omettez le champ reasoning et le modèle pense d'abord. Le raisonnement arrive sous forme de liste dans message.model_extra["reasoning_details"], et ses tokens comptent comme sortie. Avec le raisonnement activé, donnez à max_tokens beaucoup de marge. Lors des tests, une limite de 300 tokens a été utilisée par le raisonnement et a renvoyé une réponse vide.

Qui devrait l'essayer

• Les équipes de sécurité effectuant la reproduction de vulnérabilités, le patching, l'analyse de logiciels malveillants ou des règles de détection que les modèles fermés refusent.
• Les équipes travaillant avec des images, telles que l'inspection satellite et aérienne, les dessins techniques et les scènes denses, où les boîtes comptent plus que les légendes.
• Les développeurs juridiques et financiers qui souhaitent un modèle ouvert près du sommet des benchmarks d'agents.
• Les organisations européennes qui ont besoin d'un modèle qui n'est ni américain ni chinois, avec un déploiement hébergé dans l'UE et un chemin vers l'auto-hébergement.

Pour des agents de codage généraux ou un travail quotidien sensible aux coûts, comparez-le d'abord avec d'autres modèles. La liste des modèles AIHubMix vous permet d'exécuter les mêmes prompts contre Large 4 et ses alternatives avec une seule clé.

FAQ

Qu'est-ce que Mistral Large 4 ?
C'est le modèle phare de Mistral AI, publié en aperçu public le 6 octobre 2026. C'est un modèle à mélange d'experts avec 1,05 trillion de paramètres, qui accepte des entrées de texte et d'images, et renvoie du texte.

Mistral Large 4 est-il open source ?
Pas encore. Mistral prévoit de publier les poids à la fin d'octobre 2026, mais n'a pas annoncé la licence. La licence Apache 2.0 de Large 3 ne se transfère pas automatiquement.

Combien cela coûte-t-il ?
Le prix de liste est de 1,36 $ par million de tokens d'entrée, 0,14 $ par million de tokens d'entrée mis en cache, et 4,18 $ par million de tokens de sortie.

Quelle est la longueur de la fenêtre de contexte ?
1M tokens, selon la fiche technique du modèle de Mistral. C'est quatre fois la taille de 256K de Large 3.

Est-il meilleur que GPT-6 ou Claude ?
Seulement dans des domaines spécifiques : les tâches de sécurité défensive que les modèles fermés refusent, l'ancrage visuel, et le benchmark de l'agent juridique de Harvey. En intelligence générale et en codage agentique, les modèles phares fermés restent bien en avance.

Supporte-t-il le raisonnement ?
Oui, et il est activé par défaut. À travers AIHubMix, le raisonnement revient dans un champ séparé reasoning_details. Pour le désactiver, envoyez un objet de raisonnement avec l'effort défini sur none dans le corps de la requête. Définir reasoning_effort sur none ne le désactive pas sur AIHubMix.

Peut-il lire des images ?
Oui. Il accepte jusqu'à 100 images par requête et peut marquer où les objets sont situés. Il ne peut pas générer d'images.

Sources

• Présentation de Mistral Large 4 (Mistral AI)
• Fiche technique du modèle Mistral Large 4 (Docs Mistral)
• Mistral Large 4.0 sur AIHubMix
• Mistral Large 4 : La France abrite le modèle le plus intelligent en dehors des États-Unis et de la Chine (Artificial Analysis)
• Benchmarks de Mistral Large 4 (Vals AI)