Mistral Large 4 : comment Mistral AI veut revenir dans la course face aux géants de l’IA

Selon sa fiche publiée sur docs.mistral.ai, Mistral Large 4 repose sur une architecture granulaire de type mélange d’experts (MoE) : sur 1 050 milliards de paramètres, seuls 49 milliards sont sollicités à chaque token, plus un encodeur visuel de 1,6 milliard de paramètres. Le modèle lit du texte et des images mais ne produit que du texte, a précisé Guillaume Lample, cofondateur et directeur scientifique, à VentureBeat. Son contexte d’un million de tokens est quatre fois plus large que celui de Mistral Large 3 (675 milliards de paramètres), sorti en décembre 2025.

Pas par la force brute. D’après les éléments communiqués à la presse, le modèle a été entraîné en deux mois sur 4 000 GPU Nvidia Grace Blackwell, dans les centres de données européens de l’entreprise. Le Journal du Net évoque environ 10 mégawatts et cite Guillaume Lample : « c’est entre deux et trois fois moins que la plupart des labos chinois ».

L’essentiel se jouerait après le pré-entraînement. D’après les explications de Mistral rapportées par le JDN et Frandroid, l’entreprise a généré des centaines de milliers d’environnements isolés où le modèle s’exerce par apprentissage par renforcement (mathématiques, code, recherche de vulnérabilités), avec de nouveaux algorithmes et peu de distillation.

Deuxième levier : l’ouverture. Selon le JDN, des versions quantifiées en FP8 et FP4, exécutables sur quatre à huit GPU B200 ou B300, accompagneront les poids. Mistral en fait un argument de souveraineté pour les entreprises et administrations qui veulent héberger le modèle elles-mêmes. « Ce sera beaucoup plus dur de couper l’accès à des modèles dont les poids sont répliqués partout sur Internet », fait valoir Pierre Stock, vice-président science, cité par le JDN. Cible prioritaire : la cybersécurité, où les modèles fermés les plus avancés sont souvent restreints. D’ici le 27 octobre, des experts en cybersécurité et des autorités publiques testent une version aux garde-fous allégés, a indiqué Mistral à Reuters.

Selon les résultats préliminaires publiés par Mistral, Large 4 obtient 62 % sur DeepSWE v1.1 (développement logiciel agentique), contre 61 % pour GLM-5.3 de Z.ai et 57 % pour DeepSeek V4 Pro. Sur le Legal Agent Benchmark de Harvey, il réussit 15 % des tâches, devant les 12,92 % de Kimi K3 relevés par Vals.ai. En finance, sur Finch, il égale DeepSeek V4 Pro à 67 %.

Ces graphiques ne disent pas tout. VentureBeat note que le classement public de DeepSWE, qui retient la meilleure configuration de chaque modèle, place GLM-5.3 et Kimi K3 autour de 69 % et les meilleurs modèles fermés vers 74 %. Mistral revendique d’ailleurs surtout le titre de modèle à poids ouverts le plus performant conçu hors de Chine.

Large 4 est accessible en préversion sur l’API de Mistral et dans Mistral Studio, sous l’identifiant mistral-large-4. La grille officielle affiche 0,68 dollar par million de tokens en entrée, 0,07 dollar en entrée mise en cache et 2,09 dollars en sortie, soit la moitié des tarifs de référence barrés sur la fiche (1,36 et 4,18 dollars). Large 3 reste facturé 0,5 et 1,5 dollar.

Côté grand public, Large 4 doit devenir d’ici quelques semaines le modèle par défaut de Vibe (ex-Le Chat), l’assistant de Mistral disponible sur iOS et Android, après une phase de tests comparatifs, selon le JDN et Frandroid. Aucune disponibilité chez les clouds partenaires n’est annoncée pour l’instant.

Les scores de cette préversion peuvent encore évoluer, et aucune évaluation indépendante n’était disponible le jour de l’annonce. La licence des poids n’est pas détaillée : VentureBeat évoque une licence propre à Mistral, alors que Large 3 était sous Apache 2.0. Enfin, même quantifié, le modèle exige un serveur de centre de données, loin d’un usage local sur smartphone ou PC.