Mistral Large 4 : le modèle ouvert européen que vous ne pouvez pas encore télécharger

Mistral Large 4 est un modèle d’IA à un trillion de paramètres signé par le champion français, et pourtant vous ne pouvez pas encore le télécharger. Présenté le 6 octobre 2026 sous le surnom de « Le Chonk », il n’existe pour l’instant qu’en aperçu public via l’API de Mistral, avec des poids ouverts promis pour la fin du mois. Entre-temps, le modèle fait déjà débat : meilleur modèle ouvert d’Europe et des États-Unis selon Mistral, derrière les modèles chinois selon les classements indépendants.

Pour un professionnel, la vraie question n’est pas de savoir qui gagne un benchmark de plus. C’est de comprendre ce que ce modèle sait faire que les autres refusent de faire, ce qu’il coûte réellement, et si la promesse d’un modèle européen ouvert tient la route face à des concurrents moins chers.

En bref : Mistral Large 4 compte 1 000 milliards de paramètres dont 49 milliards actifs, accepte texte et images en entrée et répond en texte. L’aperçu est facturé 1,36 dollar par million de tokens en entrée et 4,18 dollars en sortie. Son point fort revendiqué est la cybersécurité, où les modèles fermés américains refusent souvent de travailler. Son point faible : Artificial Analysis le classe derrière plusieurs modèles ouverts chinois, et il coûte plus cher à l’usage que des modèles de même niveau. Les poids ne sont pas encore publiés.

Mistral Large 4 : ce que Mistral a vraiment lancé le 6 octobre

Mistral Large 4 est un modèle de type mélange d’experts : un trillion de paramètres au total, mais seulement 49 milliards sollicités pour produire chaque token. C’est ce qui permet de viser le haut du classement sans payer le prix de calcul d’un modèle dense de cette taille. Il comprend le texte et les images, produit uniquement du texte, et couvre plus de 160 langues, dont toutes les langues officielles de l’Union européenne. Mistral dit l’avoir entraîné de zéro sur 3 800 GPU Nvidia Grace Blackwell, dans ses propres centres de données européens.

Le lancement est un aperçu de recherche : le modèle est disponible dans Mistral Studio via l’API, et l’apprentissage par renforcement n’était pas terminé au moment de l’annonce, d’après les analyses publiées. Le cofondateur Guillaume Lample affirme que le modèle se situe à la frontière des modèles à poids ouverts. La phrase est ambitieuse, et on va voir qu’elle se vérifie à moitié.

Une précision sur la fenêtre de contexte, parce que les chiffres divergent. Certaines présentations parlent d’un million de tokens, alors qu’Artificial Analysis mesure 512 000 tokens. Tant que Mistral n’a pas tranché noir sur blanc, considérez 512 000 comme la valeur prudente pour vos projets.

Les benchmarks de Mistral Large 4 : où il gagne, où il est en retard

Commençons par le test de programmation DeepSWE v1.1, devenu la référence pour les longs chantiers logiciels. Mistral Large 4 y obtient 61,7 %. C’est nettement mieux que les autres modèles ouverts occidentaux cités par VentureBeat (44 % pour Beam, de Reflection) et que Qwen 3.8 Max (51 %). Mais les modèles fermés de pointe sont loin devant.

Douze à seize points d’écart avec le trio de tête, ce n’est pas un détail. Sur Terminal Bench 4.0, Mistral Large 4 plafonne à 28,3 %. Et sur l’indice d’intelligence d’Artificial Analysis, il obtient 38 : assez pour que l’organisme le présente comme le modèle le plus intelligent venu de France, ou de tout pays hors États-Unis et Chine, mais pas assez pour dépasser Kimi K3 (44) ou GLM-5.3 (45), d’après le tableau repris par Fello AI. Artificial Analysis relève aussi un score de 19 % sur son test de raisonnement documentaire GDP.pdf, contre 22 % pour Kimi K3.

Là où Mistral Large 4 brille, c’est ailleurs. Sur AutomationBench, il affiche 59,9 % et devance Kimi K3, MiMo-V2.6-Pro et DeepSeek V4 Pro. Sur AA-Briefcase, qui mesure la production de livrables professionnels longs, il atteint 1 393 Elo. En compréhension visuelle fine (Dense200), il fait 42 % contre 41 % pour GPT-6 Astra, un écart minuscule. Retenez le tableau d’ensemble : un excellent modèle ouvert côté occidental, pas un champion toutes catégories.

Cybersécurité : l’avantage de ne pas dire non

C’est l’argument le plus original du lancement, et le plus contre-intuitif. Sur la partie reproduction de vulnérabilités de l’indice cyber d’Artificial Analysis, Mistral Large 4 obtient 82 %, le meilleur score de tous les modèles testés selon Mistral. Il résout aussi 93 % des 40 défis de Cybench, tirés de concours de sécurité. Pourquoi un tel écart avec les modèles fermés ? Parce que, d’après Mistral, Claude Opus 5.5 et GPT-6 Astra obtiennent un score proche de zéro sur ces épreuves : ils refusent tout simplement d’exécuter la tâche.

Autrement dit, le résultat mesure autant une politique de sécurité qu’une compétence. Un modèle qui refuse n’a pas de mauvaises capacités, il a des garde-fous. Pour une équipe de sécurité qui teste ses propres systèmes, la différence est pourtant très pratique : un modèle qui accepte de reproduire une faille sur votre code est utilisable, un modèle qui s’y refuse ne l’est pas. L’inconvénient est évident, et Mistral ne l’efface pas : un modèle ouvert et peu réticent sera aussi accessible à ceux qui ne sont pas vos alliés. Comparez avec l’approche de Google, qui réserve Gemini 4 Argon à des défenseurs triés sur le volet. Deux philosophies opposées sur le même risque.

Prix de Mistral Large 4 : bon marché sur le papier, moins en pratique

L’API en aperçu coûte 1,36 dollar par million de tokens en entrée, 4,18 dollars en sortie et 0,14 dollar pour l’entrée mise en cache. C’est très en dessous du tarif de lancement de Gemini 4 Argon (2 et 10 dollars). Fello AI note par ailleurs que la documentation de Mistral laisse apparaître des prix divisés par deux (0,68 et 2,09 dollars), sans explication de durée. Gardez vos calculs sur le tarif plein.

Le prix au million de tokens ne dit pourtant pas tout. Artificial Analysis calcule le coût par tâche, c’est-à-dire ce que coûte réellement l’exécution de son indice : 0,57 dollar avec la remise de lancement, contre 0,25 dollar pour GLM-5.3 Flash et 0,27 dollar pour DeepSeek V4.1 Flash. La raison probable tient à la verbosité : le modèle semble consommer beaucoup de tokens de raisonnement. Un essai de Matthew Berman, rapporté par Stork AI, a même vu le raisonnement saturer la fenêtre de contexte. Si vous produisez en volume, testez sur vos propres tâches avant de conclure.

Précision utile pour la francophonie : ces tarifs sont affichés en dollars. Je n’ai pas trouvé de grille en euros ni de tarif spécifique pour la Suisse, le Québec ou l’Afrique francophone. Le taux de change et la TVA locale feront varier la facture finale, et un hébergement dans un centre de données européen, argument central de Mistral, reste le plus rassurant pour les entreprises soumises au RGPD.

Poids ouverts : une promesse pour la fin octobre

Le mot « ouvert » est, pour l’instant, une promesse. Mistral dit publier les poids à la fin du mois, selon VentureBeat le 27 octobre, avec un point de contrôle final du modèle. Tant que rien n’est téléchargeable, impossible d’auto-héberger Mistral Large 4. Le type de licence n’est pas confirmé non plus : VentureBeat évoque une licence Mistral spécifique, et d’autres analyses constatent que son nom n’est pas public. Pour une DSI, c’est un point à vérifier avant tout engagement, car « poids ouverts » n’a jamais voulu dire « usage commercial libre ».

Le contexte compte aussi. Mistral a récemment renforcé son ancrage industriel avec l’accord qui voit Microsoft louer des GPU de Mistral en Europe. Un modèle ouvert entraîné sur des machines européennes alimente le discours de souveraineté numérique, mais ce discours ne remplace pas une licence claire.

Faut-il passer à Mistral Large 4 ? Notre avis

Pour la majorité des équipes : pas cette semaine. Si votre priorité est le code complexe, les agents longs ou la rédaction de haut niveau, les modèles fermés restent devant, et notre guide quel modèle IA pour quel usage garde toute sa pertinence. Si votre priorité est le coût à l’usage, des modèles chinois ouverts font mieux à intelligence comparable.

Deux profils ont en revanche de bonnes raisons de s’y intéresser dès maintenant : les équipes de cybersécurité qui se heurtent aux refus des modèles américains, et les organisations qui veulent à terme un modèle capable de tourner sur une infrastructure qu’elles maîtrisent, en Europe. Pour elles, l’aperçu API permet de tester sans rien engager, et de décider à la sortie des poids, avec la licence sous les yeux.

Mon pronostic : le véritable verdict viendra de deux choses, la licence finale et le coût par tâche après la fin des remises. Une question, un retour d’expérience ? Écrivez-nous à contact@leproia.com.

Questions fréquentes

Sources

Informations vérifiées le 7 octobre 2026 : Mistral AI, annonce officielle de Mistral Large 4 ; Artificial Analysis, analyse de Mistral Large 4 ; VentureBeat ; MarkTechPost ; Fello AI ; Stork AI ; CNBC.