» Celui-là a demandé un peu de préparation de base. Entraîné et servi sur notre propre infrastructure de calcul, et le RL ne montre aucun signe de saturation. » Sur X, Arthur Mensh la joue modeste pour présenter Mistral Large 4 (ML4) alias Le Chonk.

Avec Mistral Large 4 (ML4), Mistral AI ne prétend pas détrôner immédiatement les modèles fermés les plus avancés. Modèle généraliste multimodal fondé sur une architecture Mixture-of-Experts (MoE) granulaire, sa documentation indique 1,05 trillion de paramètres au total, dont 52 milliards actifs par token, ainsi qu’un encodeur visuel de 1,6 milliard de paramètres.

Le communiqué de lancement évoque pour sa part 49 milliards de paramètres actifs.

Cette architecture MoE permet de mobiliser seulement une fraction du modèle à chaque étape de génération. L’objectif est de combiner une capacité potentielle très élevée avec un coût d’inférence plus maîtrisé que celui d’un modèle dense de taille équivalente.

La principale promesse d’usage de ML4 réside dans sa fenêtre de contexte annoncée à 1 million de tokens. Elle doit permettre de traiter de très longs documents, dépôts logiciels, corpus réglementaires ou bases de connaissances d’entreprise sans les découper systématiquement. Et une couverture de plus de 160 langues, dont toutes les langues officielles de l’Union européenne.

Le modèle expose également des fonctions orientées vers les usages comme les appels de fonctions, les sorties structurées, les questions-réponses documentaires ainsi que le traitement par lots, agents et conversations. Autrement dit, Mistral positionne  ML4 comme une brique pour construire des applications et des workflows d’entreprise.

Sur l’Intelligence Index d’Artificial Analysis, ML4 obtient 38 points.

C’est un bond important par rapport à Mistral Large 3, crédité de 9 points, et cela place le modèle au niveau de GPT-6 Luna sur cet indicateur composite.

Mais la performance n’est pas homogène : le score de 28,3% à Terminal-Bench 4.0 montre que ML4 reste en retrait sur certains scénarios d’automatisation exigeants.

Les chiffres communiqués par Mistral doivent également être lus avec prudence, car le modèle est encore en préversion et ses poids ne sont pas encore disponibles publiquement.

ML4 se situe dans le haut du panier des modèles non américains et non chinois mais loin du sommet du marché.

Claude Opus 5.5 obtient 58 points sur l’Intelligence Index, contre 53 pour GPT-6 Astra et Gemini 4 Argon, tandis que ML4 s’arrête à 38.

ML4 égale donc GPT-6 Luna sur l’intelligence globale, mais il coûte environ 16 fois plus cher par tâche selon les mesures d’Artificial Analysis. Son avantage n’est donc pas le prix à l’usage API mais réside dans la perspective de poids ouverts et dans le contrôle qu’ils offrent aux entreprises.

Mistral annonce la publication des poids de ML4 pour la fin octobre. Cette décision distingue le modèle des offres d’OpenAI, d’Anthropic et de Google, qui restent principalement accessibles via API.

Les poids ouverts permettent à une organisation de déployer ML4 dans son propre cloud privé, son VPC ou sur ses serveurs. Elle peut ainsi conserver les données dans son périmètre, définir ses propres politiques de sécurité et adapter le modèle à ses besoins métier par fine-tuning.

Mistral présente ML4 comme un moyen pour ses clients de garder le contrôle de l’intelligence, des données, du calcul et des opérations.

ML4 vise trois segments principaux :

• Les entreprises qui veulent exploiter un modèle multimodal performant sans envoyer leurs données à une API tierce.
• Les organisations ayant des besoins de cybersécurité, d’analyse de code ou d’automatisation de workflows, domaines où ML4 affiche des résultats compétitifs.
• Les acteurs publics et industriels sensibles à la souveraineté numérique européenne, pour lesquels l’hébergement en Europe et la maîtrise des poids constituent un argument décisif.

Le tarif API de lancement est de 0,68 dollar par million de tokens en entrée, 0,07 dollar par million de tokens d’entrée en cache et 2,09 dollars par million de tokens en sortie, après une remise de 50% pendant les deux premières semaines.

ML4 apporte trois choses au paysage des LLM :

• Un modèle multimodal européen de très grande capacité, avec une fenêtre de contexte d’un million de tokens et des fonctions orientées agents.
• Des performances crédibles en cybersécurité et en codage agentique, sans atteindre le niveau des meilleurs modèles fermés sur tous les indicateurs.
• Une alternative de souveraineté grâce aux poids ouverts, permettant aux entreprises de déployer, personnaliser et contrôler le modèle dans leur propre infrastructure.