Che cos'è Mistral Large 4? Uno specialista da un trilione di parametri dall'Europa

Mistral Large 4 è il nuovo modello di punta di Mistral AI. Ha circa un trilione di parametri, è stato addestrato da zero in Europa e i suoi pesi aperti sono previsti per la fine di ottobre 2026. Non è il modello più intelligente disponibile. Ciò che lo rende notevole è che è leader in alcune aree in cui i modelli di punta chiusi rifiutano o rimangono indietro: lavoro di sicurezza difensiva, localizzazione di oggetti nelle immagini e agenti di ricerca legale.

Mistral lo ha rilasciato il 6 ottobre 2026 come anteprima pubblica. Il suo soprannome è "Le Chonk". Questo post tratta di cosa sia il modello, cosa faccia bene, dove manchi e come provarlo tramite AIHubMix.

In sintesi

Su AIHubMix l'ID del modello è mistral-large-4-0, che Mistral accetta anche come alias. Le specifiche qui seguono la scheda del modello di Mistral. Mistral ha fornito sia 49B che 52B come conteggio dei parametri attivi. La licenza per i pesi aperti non è stata annunciata.

È un modello a miscela di esperti, quindi solo una piccola parte dei suoi parametri è attiva per ogni token. Ha un codificatore visivo da 1.6B di parametri, accetta fino a 100 immagini per richiesta e copre più di 160 lingue. Mistral lo ha addestrato su 3.800 GPU NVIDIA Grace Blackwell nei propri data center europei, non su un modello base di un'altra azienda.

Cosa fa bene

I dati seguenti provengono dal post di lancio di Mistral e da esecuzioni indipendenti di Artificial Analysis e Vals AI. I dati forniti da Mistral sono auto-riportati e tutti sono stati misurati durante l'anteprima mentre l'addestramento era ancora in corso.

Sicurezza difensiva. CyberGym-E2E chiede a un modello di riprodurre una vulnerabilità reale e poi di correggerla. Large 4 ha il punteggio più alto nell'esecuzione di Artificial Analysis. Secondo Mistral, Claude Opus 5.5 e GPT-6 Astra ottengono punteggi vicini a zero perché rifiutano il compito. Tuttavia, non dice di sì a tutto. Mistral riporta che rifiuta richieste informatiche genuinamente dannose più spesso di qualsiasi altro modello aperto che ha testato, e che ha bloccato il 93.3% degli attacchi sul benchmark di iniezione di prompt B3 di Lakera.

Trovare oggetti nelle immagini. Large 4 può fare il grounding visivo: può segnare dove si trova un oggetto, non solo descriverlo. DIOR-RSVG testa questo su immagini satellitari e aeree, e Dense200 lo testa su scene affollate. Le dimostrazioni di Mistral includono la scansione di immagini satellitari gigapixel e il controllo di parti su disegni ingegneristici.

Lavoro legale e finanziario. Sul benchmark dell'agente legale di Harvey, Vals AI lo classifica sesto su 76 modelli e primo tra i modelli aperti. Su Finch, un benchmark finanziario, il grafico di Mistral mostra che è a livello con DeepSeek V4 Pro.

Artificial Analysis ha riassunto il rilascio in questo modo: "La Francia è tornata ad avere il modello più intelligente al di fuori degli Stati Uniti e della Cina."

Dove manca

Large 4 non è un modello universale di frontiera:

• Intelligenza generale. Ottiene 38 nell'Indice di Intelligenza di Artificial Analysis. Questo lo colloca alla pari con GPT-6 Luna e dietro ai modelli aperti GLM-5.3 (45) e Kimi K3 (44).
• Codifica pesante per terminale. Ottiene il 22.7% su Terminal-Bench 4 nell'esecuzione di Vals AI, il che lo colloca al 21° posto su 45. Claude Opus 5.5 ottiene il 65.2%.
• Dimostrazioni matematiche e lunghi rapporti PDF. Ottiene il 10% su ProofBench e il 19% su GDP.pdf. GPT-6 Astra ottiene circa il 32% su GDP.pdf.
• Costo per compito. Secondo il conteggio di Artificial Analysis, un compito dell'Indice di Intelligenza costa $1.13 al prezzo di listino. Modelli aperti simili come GLM-5.3-Flash costano circa $0.25.

Come si confronta con Large 3

Large 4 costa circa 2.7 volte di più per token rispetto a Large 3. Per lavori di testo semplici e ad alto volume che Large 3 gestisce già bene, l'aggiornamento potrebbe non ripagarsi.

Due cose da sapere prima di chiamarlo

Il pensiero è attivato per impostazione predefinita. Sull'API di Mistral, reasoning_effort accetta "none" o "high". Tramite AIHubMix, i test del 9 ottobre hanno trovato che il modello pensa indipendentemente da ciò che dice reasoning_effort, incluso "none", e i token di pensiero sono addebitati come output. Per disattivare il pensiero, invia "reasoning": {"effort": "none"} nel corpo della richiesta, come fa il campione qui sotto. Quando il pensiero è attivo, la guida al ragionamento di Mistral dice di rimandarlo nel turno successivo. Tramite AIHubMix arriva in un campo separato reasoning_details, e la richiesta successiva lo accetta come parte del messaggio dell'assistente.

È un'anteprima. La politica di ciclo di vita di Mistral consente aggiornamenti silenziosi ai modelli in anteprima e fornisce un mese di preavviso prima di ritirarne uno. Tieni un piccolo set di prompt di test e rieseguili di tanto in tanto.

Provalo tramite AIHubMix

AIHubMix offre Large 4 tramite il suo endpoint di completamento chat compatibile con OpenAI. Se non hai ancora impostato una chiave, il quick start richiede solo pochi minuti.

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": "Scrivi una regola Sigma che segnali PowerShell avviato da app Office, "
                   "e spiega ogni condizione in una riga.",
    }],
    extra_body={"reasoning": {"effort": "none"}},  # disattiva il pensiero
)
print(response.choices[0].message.content)

La risposta è sempre una stringa semplice in content. Escludi il campo reasoning e il modello pensa prima. Il pensiero arriva come un elenco in message.model_extra["reasoning_details"], e i suoi token contano come output. Con il pensiero attivo, dai a max_tokens ampio margine. Nei test, un limite di 300 token è stato esaurito dal pensiero e ha restituito una risposta vuota.

Chi dovrebbe provarlo

• Team di sicurezza che si occupano di riproduzione di vulnerabilità, patching, analisi di malware o regole di rilevamento che i modelli chiusi rifiutano.
• Team che lavorano con immagini, come ispezione satellitare e aerea, disegni ingegneristici e scene affollate, dove le scatole contano più delle didascalie.
• Costruttori legali e finanziari che desiderano un modello aperto vicino alla cima dei benchmark degli agenti.
• Organizzazioni europee che necessitano di un modello che non sia né americano né cinese, con un'implementazione ospitata nell'UE e un percorso verso l'auto-ospitazione.

Per agenti di codifica generali o lavori quotidiani sensibili ai costi, confrontalo prima con altri modelli. L'elenco dei modelli AIHubMix ti consente di eseguire gli stessi prompt contro Large 4 e le sue alternative con una sola chiave.

FAQ

Che cos'è Mistral Large 4?
È il modello di punta di Mistral AI, rilasciato in anteprima pubblica il 6 ottobre 2026. È un modello a miscela di esperti con 1.05 trilioni di parametri, accetta input di testo e immagini e restituisce testo.

Mistral Large 4 è open source?
Non ancora. Mistral prevede di pubblicare i pesi alla fine di ottobre 2026, ma non ha annunciato la licenza. La licenza Apache 2.0 di Large 3 non si trasferisce automaticamente.

Quanto costa?
Il prezzo di listino è di $1.36 per milione di token di input, $0.14 per milione di token di input memorizzati e $4.18 per milione di token di output.

Quanto è lunga la finestra di contesto?
1M token, secondo la scheda del modello di Mistral. Questo è quattro volte i 256K di Large 3.

È migliore di GPT-6 o Claude?
Solo in aree specifiche: compiti di sicurezza difensiva che i modelli chiusi rifiutano, grounding visivo e benchmark dell'agente legale di Harvey. In termini di intelligenza generale e codifica agentica, i modelli di punta chiusi rimangono ben avanti.

Supporta il ragionamento?
Sì, ed è attivato per impostazione predefinita. Tramite AIHubMix il pensiero torna in un campo separato reasoning_details. Per disattivarlo, invia un oggetto di ragionamento con sforzo impostato su none nel corpo della richiesta. Impostare reasoning_effort su none non lo disattiva su AIHubMix.

Può leggere le immagini?
Sì. Accetta fino a 100 immagini per richiesta e può segnare dove si trovano gli oggetti in esse. Non può generare immagini.

Fonti

• Introduzione a Mistral Large 4 (Mistral AI)
• Scheda del modello Mistral Large 4 (Documenti Mistral)
• Mistral Large 4.0 su AIHubMix
• Mistral Large 4: La Francia ospita il modello più intelligente al di fuori degli Stati Uniti e della Cina (Artificial Analysis)
• Benchmark di Mistral Large 4 (Vals AI)