Mistral Large 4 : modèle de langage européen multimodal

Mistral Large 4 est un modèle de langage multimodal de Mistral, entraîné en Europe et lancé en préversion le 6 octobre 2026. Surnommé « le Chonk », il compte 1 000 milliards de paramètres, dont 49 milliards actifs. Son API se teste dès maintenant, et ses poids doivent être publiés avant la fin du mois.

En bref

• Préversion publique depuis le 6 octobre 2026, via l’API de Mistral Studio
• 1 000 milliards de paramètres, dont 49 milliards actifs, et une entrée multimodale
• 82 % sur un test où le modèle doit reproduire puis corriger une faille réelle
• Poids ouverts annoncés pour la fin octobre, licence non précisée
• 1,36 dollar par million de jetons en entrée, 4,18 dollars en sortie

Qu’est-ce que Mistral Large 4

Mistral Large 4, abrégé ML4 et surnommé « le Chonk » par l’éditeur, est le plus gros modèle de Mistral à ce jour. Il est décrit comme nativement multimodal : il accepte du texte et des images en entrée. Mistral le présente comme un modèle unique qui réunit instruction, raisonnement et tâches d’agent, c’est-à-dire des programmes qui utilisent des outils pour mener un travail à terme.

Il s’agit d’une préversion publique : l’entraînement se poursuit et le modèle continue de s’améliorer. Mistral affirme l’avoir entraîné depuis zéro sur 3 800 GPU NVIDIA Grace Blackwell, dans ses propres centres de calcul en Europe, et la préversion est servie sur la même infrastructure. Une part importante des données d’entraînement était multilingue, avec plus de 160 langues, dont toutes les langues officielles de l’Union européenne.

Mistral dit aussi avoir travaillé avec des entreprises de la finance, de l’industrie, de la logistique, de la pharmacie ou du secteur public. Le modèle repose sur le même environnement d’entraînement, de personnalisation et d’apprentissage par renforcement que celui proposé aux clients via Mistral Forge.

Mistral Large 4 en cybersécurité : trouver et corriger des failles

C’est le terrain que Mistral met le plus en avant. Sur l’Artificial Analysis Cyber Index, une évaluation indépendante de la capacité des modèles à trouver et corriger des failles dans de vrais logiciels, ML4 se classe parmi les cinq meilleurs modèles, selon Mistral. Sur l’un des tests de cet indice, où il faut reproduire une vulnérabilité réelle d’un logiciel open source puis la corriger, il obtient 82 %. Il résout aussi 93 % des défis de Cybench, un ensemble de 40 exercices tirés de compétitions de sécurité.

Mistral explique que Claude Opus 5.5 et GPT-6 Astra obtiennent un score proche de zéro sur ce même test parce qu’ils refusent la tâche. The Decoder fait remarquer que ce test mesure donc autant la politique des fournisseurs que les capacités des modèles. L’argument de Mistral : défendre un logiciel commence souvent par prouver qu’une faille existe, un travail que les filtres de sécurité des modèles fermés peuvent bloquer.

Dans ses essais internes, le modèle s’est montré utile pour analyser des logiciels malveillants, prioriser des vulnérabilités et écrire des règles de détection. Mistral précise qu’il pourra tourner en cloud privé ou sur site. En parallèle, l’éditeur indique que le modèle refuse plus souvent que tous les autres modèles ouverts les demandes malveillantes de cybersécurité tirées de JailbreakBench, StrongREJECT et AgentHarm. The Decoder note que Mistral n’explique pas comment il distingue une recherche légitime d’une préparation d’attaque.

• Avant la publication des poids, des partenaires de confiance et des autorités testent le modèle en conditions réelles.
• Ils accèdent à une version avec une modération réduite et des capacités cyber étendues.
• Sur le B3 AI Security Benchmark de Lakera, ML4 résiste à 93,3 % des attaques, selon Mistral.

Un agent de code et de travail de bureau

En programmation, Mistral annonce 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4. Le score combiné du Coding Agent Index atteint 49,8 %, devant DeepSeek V4 Pro 0813 et Qwen3.8 Max. Ces chiffres reposent sur des mesures privées d’Artificial Analysis, avant la publication officielle de l’outil de test.

Lors d’une évaluation à l’aveugle menée avec Surge AI, des annotateurs professionnels ont noté la qualité du code sans connaître le modèle. ML4 arrive deuxième sur cinq avec 3,74 sur 5, derrière Claude Opus 5 (4,22) et devant GLM-5.3 (3,60), Kimi K3 (3,59) et GLM-5.2 (3,40).

Côté tâches professionnelles, ML4 obtient 59,9 % sur AutomationBench, qui compte 657 flux de travail dans des applications comme Gmail, Google Sheets, Slack et Salesforce. Mistral cite aussi des tests de création et de correction de tableurs, de présentations et de PDF.

Image, science, finance et droit

Pour l’image, Mistral parle d’un net progrès : le modèle lit des documents complexes, des graphiques, des plans techniques et des images satellite de très grande taille, en zoomant et en vérifiant de lui-même. Sur le test de repérage d’objets Dense 200, il obtient 42 % contre 41 % pour GPT-6 Astra, un écart que Next qualifie de minime.

En science, Mistral dit qu’il peut produire en une seule fois une simulation Hartree-Fock, une tâche de chimie en plusieurs étapes. Sur SciCode-Verified, il se classerait en tête des modèles à poids ouverts, même si The Decoder relève que GPT-6 Astra et Qwen3.8 font mieux.

Pour la finance et le droit, des évaluations menées par Vals.ai le placent devant GPT-6 Astra, d’après Mistral. Sur le test d’agent juridique de Harvey, il devance tous les modèles open source.

Prix, accès et poids de Mistral Large 4

L’API de la préversion est disponible dès maintenant sur Mistral Studio. Mistral affiche 1,36 dollar par million de jetons en entrée et 4,18 dollars par million en sortie. Next souligne que la verbosité du modèle, relevée par Artificial Analysis, peut peser sur la facture.

Les poids seront publiés d’ici la fin octobre, avec des détails sur l’architecture, de nouveaux tests et la méthode d’entraînement final. Next avance le 26 octobre et Frandroid le 27 : Mistral, lui, ne donne pas de date précise. L’éditeur ne précise pas non plus la licence, ni la configuration nécessaire pour héberger le modèle. Il promet un déploiement dans plusieurs régions, dont une région européenne qu’il exploite de bout en bout, sous droit européen.

La taille du contexte, c’est-à-dire la quantité de texte que le modèle traite d’un coup, n’apparaît pas dans l’annonce. Next cite un million de jetons, tandis qu’Artificial Analysis affiche 524 000 jetons, un chiffre que Next juge peut-être issu d’une préversion antérieure.

Les limites relevées par la presse

Les chiffres viennent surtout de Mistral. Dans l’Intelligence Index d’Artificial Analysis, ML4 obtient 38 points, loin devant Mistral Large 3 (9 points) mais derrière Claude Opus 5.5, à 58 points, rapporte The Decoder. Frandroid précise que l’écart avec les modèles fermés américains n’est pas comblé et que Mistral ne prétend pas le contraire.

Le même média note que le test de programmation de Mistral omet Kimi K3, un modèle ouvert pourtant bien classé. Mistral parle de scores préliminaires : la préversion est toujours en cours d’entraînement.

Quelques repères

• Poids ouverts : Les poids sont les valeurs numériques apprises par un modèle d’IA. Quand ils sont publiés, chacun peut télécharger le modèle, l’héberger sur ses propres machines et l’examiner, selon les conditions de la licence.
• Paramètre : Un paramètre est une valeur interne que le modèle ajuste pendant son entraînement. Le nombre de paramètres donne une idée de la taille du modèle, et certains modèles n’en activent qu’une partie à chaque requête.
• Multimodal : Un modèle multimodal sait traiter plusieurs types de contenus, par exemple du texte et des images, au lieu d’un seul.

Questions fréquentes

Mistral Large 4 est-il open source ?

Pas encore. Mistral Large 4 n’est accessible que par une API en préversion, et ses poids sont annoncés pour la fin octobre. L’annonce de Mistral ne précise pas la licence.

Combien coûte Mistral Large 4 ?

Mistral affiche 1,36 dollar par million de jetons en entrée et 4,18 dollars par million de jetons en sortie. Next relève que la verbosité du modèle peut augmenter le coût réel.

Mistral Large 4 sait-il trouver et corriger des failles de sécurité ?

Oui, selon Mistral. Sur un test de l’Artificial Analysis Cyber Index, où il faut reproduire une vulnérabilité réelle puis la corriger, il obtient 82 %, et il résout 93 % des défis de Cybench.

Où essayer Mistral Large 4 ?

Sur Mistral Studio, qui donne accès à l’API de la préversion depuis le 6 octobre 2026. Mistral invite les utilisateurs à lui envoyer leurs retours sur les réseaux sociaux.

À retenir

Mistral Large 4 est une préversion d’un modèle de 1 000 milliards de paramètres, testable par API, dont les poids sont annoncés pour la fin octobre. Ses résultats en cybersécurité, en code et en image sont communiqués par Mistral, tandis qu’Artificial Analysis le place encore loin derrière les meilleurs modèles fermés.