O que é o Mistral Large 4? Um especialista de um trilhão de parâmetros da Europa

O Mistral Large 4 é o novo modelo principal da Mistral AI. Ele possui cerca de um trilhão de parâmetros, é treinado do zero na Europa e seus pesos abertos devem ser lançados no final de outubro de 2026. Não é o modelo mais inteligente disponível. O que o torna notável é que ele lidera em algumas áreas onde modelos fechados ou se recusam ou ficam para trás: trabalho de segurança defensiva, localização de objetos em imagens e agentes de pesquisa legal.

A Mistral o lançou em 6 de outubro de 2026 como uma prévia pública. Seu apelido é "Le Chonk". Este post cobre o que o modelo é, o que ele faz bem, onde ele falha e como experimentá-lo através do AIHubMix.

À primeira vista

No AIHubMix, o ID do modelo é mistral-large-4-0, que a Mistral também aceita como um alias. As especificações aqui seguem o cartão do modelo da Mistral. A Mistral forneceu tanto 49B quanto 52B como a contagem de parâmetros ativos. A licença para os pesos abertos ainda não foi anunciada.

É um modelo de mistura de especialistas, portanto, apenas uma pequena parte de seus parâmetros está ativa para cada token. Ele possui um codificador de visão de 1,6B de parâmetros, aceita até 100 imagens por solicitação e cobre mais de 160 idiomas. A Mistral o treinou em 3.800 GPUs NVIDIA Grace Blackwell em seus próprios data centers europeus, não em cima de um modelo base de outra empresa.

O que ele faz bem

Os números abaixo vêm do post de lançamento da Mistral e de execuções independentes por Artificial Analysis e Vals AI. Os próprios números da Mistral são auto-relatados, e todos eles foram medidos na prévia enquanto o treinamento ainda estava em andamento.

Segurança defensiva. O CyberGym-E2E pede a um modelo que reproduza uma vulnerabilidade real e, em seguida, a corrija. O Large 4 tem a melhor pontuação na execução da Artificial Analysis. De acordo com a Mistral, Claude Opus 5.5 e GPT-6 Astra pontuam perto de zero porque se recusam a realizar a tarefa. No entanto, ele não diz sim para tudo. A Mistral relata que ele recusa solicitações cibernéticas genuinamente prejudiciais com mais frequência do que qualquer outro modelo aberto que testou, e que bloqueou 93,3% dos ataques no benchmark de injeção de prompt B3 da Lakera.

Encontrar coisas em imagens. O Large 4 pode fazer ancoragem visual: ele pode marcar onde um objeto está, não apenas descrevê-lo. O DIOR-RSVG testa isso em imagens de satélite e aéreas, e o Dense200 testa em cenas lotadas. As demonstrações da Mistral incluem a digitalização de imagens de satélite em gigapixels e a verificação de partes em desenhos de engenharia.

Trabalho legal e financeiro. No benchmark do agente legal de Harvey, a Vals AI o classifica em sexto lugar entre 76 modelos e em primeiro lugar entre os modelos abertos. No Finch, um benchmark financeiro, o gráfico da Mistral mostra que ele está no mesmo nível que o DeepSeek V4 Pro.

A Artificial Analysis resumiu o lançamento da seguinte forma: "A França voltou a ter o modelo mais inteligente fora dos EUA e da China."

Onde ele falha

O Large 4 não é um modelo versátil de ponta:

• Inteligência geral. Ele pontua 38 no Índice de Inteligência da Artificial Analysis. Isso empata com o GPT-6 Luna e fica atrás dos modelos abertos GLM-5.3 (45) e Kimi K3 (44).
• Codificação pesada em terminal. Ele pontua 22,7% no Terminal-Bench 4 na execução da Vals AI, o que o coloca em 21º lugar entre 45. O Claude Opus 5.5 pontua 65,2%.
• Provas matemáticas e longos relatórios em PDF. Ele pontua 10% no ProofBench e 19% no GDP.pdf. O GPT-6 Astra pontua cerca de 32% no GDP.pdf.
• Custo por tarefa. De acordo com a contagem da Artificial Analysis, uma tarefa do Índice de Inteligência custa $1,13 ao preço de tabela. Modelos abertos igualmente capazes, como o GLM-5.3-Flash, custam cerca de $0,25.

Como ele se compara ao Large 3

O Large 4 custa cerca de 2,7 vezes mais por token do que o Large 3. Para trabalhos de texto simples e de alto volume que o Large 3 já lida bem, a atualização pode não valer a pena.

Duas coisas a saber antes de chamá-lo

Pensar está ativado por padrão. Na própria API da Mistral, reasoning_effort aceita "none" ou "high". Através do AIHubMix, testes em 9 de outubro descobriram que o modelo pensa independentemente do que reasoning_effort diz, incluindo "none", e os tokens de pensamento são cobrados como saída. Para desativar o pensamento, envie "reasoning": {"effort": "none"} no corpo da solicitação, como o exemplo abaixo faz. Quando o pensamento está ativado, o guia de raciocínio da Mistral diz para enviá-lo de volta na próxima vez. Através do AIHubMix, ele chega em um campo separado reasoning_details, e a próxima solicitação o aceita como parte da mensagem do assistente.

É uma prévia. A política de ciclo de vida da Mistral permite atualizações silenciosas em modelos de prévia e dá um mês de aviso antes de retirar um. Mantenha um pequeno conjunto de prompts de teste e execute-os de tempos em tempos.

Experimente através do AIHubMix

O AIHubMix oferece o Large 4 através de seu endpoint de Completions compatível com OpenAI. Se você ainda não configurou uma chave, o início rápido leva alguns 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": "Escreva uma regra Sigma que sinalize o PowerShell iniciado por aplicativos do Office, "
                   "e explique cada condição em uma linha.",
    }],
    extra_body={"reasoning": {"effort": "none"}},  # desativa o pensamento
)
print(response.choices[0].message.content)

A resposta é sempre uma string simples em content. Deixe de fora o campo reasoning e o modelo pensa primeiro. O pensamento chega como uma lista em message.model_extra["reasoning_details"], e seus tokens contam como saída. Com o pensamento ativado, dê a max_tokens bastante espaço. Nos testes, um limite de 300 tokens foi usado pelo pensamento e retornou uma resposta vazia.

Quem deve experimentar

• Equipes de segurança que realizam reprodução de vulnerabilidades, correção, análise de malware ou regras de detecção que modelos fechados recusam.
• Equipes que trabalham com imagens, como inspeção de satélites e aéreas, desenhos de engenharia e cenas densas, onde caixas importam mais do que legendas.
• Construtores legais e financeiros que desejam um modelo aberto próximo ao topo dos benchmarks de agentes.
• Organizações europeias que precisam de um modelo que não seja americano nem chinês, com uma implantação hospedada na UE e um caminho para auto-hospedagem.

Para agentes de codificação gerais ou trabalho cotidiano sensível a custos, compare-o primeiro com outros modelos. A lista de modelos do AIHubMix permite que você execute os mesmos prompts contra o Large 4 e suas alternativas com uma única chave.

FAQ

O que é o Mistral Large 4?
É o modelo principal da Mistral AI, lançado em prévia pública em 6 de outubro de 2026. É um modelo de mistura de especialistas com 1,05 trilhão de parâmetros, aceita entrada de texto e imagem, e retorna texto.

O Mistral Large 4 é open source?
Ainda não. A Mistral planeja publicar os pesos no final de outubro de 2026, mas não anunciou a licença. A licença Apache 2.0 do Large 3 não é automaticamente transferida.

Quanto custa?
O preço de tabela é $1,36 por milhão de tokens de entrada, $0,14 por milhão de tokens de entrada em cache e $4,18 por milhão de tokens de saída.

Qual é a duração da janela de contexto?
1M tokens, de acordo com o cartão do modelo da Mistral. Isso é quatro vezes a janela de 256K do Large 3.

É melhor que o GPT-6 ou Claude?
Apenas em áreas específicas: tarefas de segurança defensiva que os modelos fechados se recusam, ancoragem visual e benchmark do agente legal de Harvey. Em inteligência ampla e codificação de agentes, os modelos fechados continuam bem à frente.

Ele suporta raciocínio?
Sim, e está ativado por padrão. Através do AIHubMix, o pensamento retorna em um campo separado de reasoning_details. Para desativá-lo, envie um objeto de raciocínio com o esforço definido como none no corpo da solicitação. Definir reasoning_effort como none não o desativa no AIHubMix.

Ele pode ler imagens?
Sim. Ele aceita até 100 imagens por solicitação e pode marcar onde os objetos estão localizados nelas. Ele não pode gerar imagens.

Fontes

• Apresentando o Mistral Large 4 (Mistral AI)
• Cartão do modelo Mistral Large 4 (Documentos da Mistral)
• Mistral Large 4.0 no AIHubMix
• Mistral Large 4: A França é o lar do modelo mais inteligente fora dos EUA e da China (Artificial Analysis)
• Benchmarks do Mistral Large 4 (Vals AI)