Mistral Large 4 (Le Chonk) : specs, benchmarks, prix et date des poids

Mistral Large 4, surnommé Le Chonk, est un modèle mixture-of-experts de 1 000 milliards de paramètres, dont 49 milliards de paramètres actifs. Mistral AI l’a lancé en API en préversion publique le 6 octobre 2026 et annonce les poids ouverts d’ici fin octobre. Il lit le texte et les images, répond en texte et coûte 1,36 $ par million de tokens en entrée au prix catalogue.

Mistral le présente comme le modèle open-weight le plus puissant conçu aux États-Unis ou en Europe, et comme un concurrent des meilleurs modèles ouverts du monde. Les premiers chiffres indépendants confirment la première moitié de cette affirmation et compliquent la seconde. Ce guide met les benchmarks de Mistral face aux scores publiés le jour du lancement par Artificial Analysis et Vals.ai. Il couvre aussi les specs, le prix et ce que veut dire « poids ouverts » pour un modèle que vous ne pouvez pas encore télécharger.

L’essentiel

• Taille : 1 050 milliards de paramètres au total, dont 49 milliards actifs au lancement (la fiche de la documentation indique désormais 52 milliards), plus un encodeur visuel de 1,6 milliard. Texte et image en entrée, texte en sortie.
• Score indépendant : 38 à l’Artificial Analysis Intelligence Index v4.3.2, loin devant les modèles ouverts américains comme Nemotron 3 Ultra (23), mais 6 à 8 points derrière GLM-5.3, Kimi K3 et MiMo-V2.6-Pro.
• Prix : 1,36 $ en entrée / 4,18 $ en sortie par million de tokens au prix catalogue. La page du modèle affiche actuellement la moitié, 0,68 $ / 2,09 $, sans dire pourquoi ni pour combien de temps.
• Poids : pas encore publiés. Mistral annonce d’ici fin octobre, et la presse a reçu la date du 27 octobre. Aucune licence n’a été annoncée.
• Le vrai argument : la cyberdéfense. Mistral annonce 82 % à un test de reproduction et de correction de vulnérabilités où, selon lui, Claude Opus 5.5 et GPT-6 Astra obtiennent presque zéro parce qu’ils refusent la tâche.

Ce qu’est Mistral Large 4

Mistral Large 4 est le modèle le plus grand et le plus performant de Mistral AI à ce jour, un réseau mixture-of-experts creux qui n’active qu’environ 5 % de ses poids pour chaque token. Mistral le décrit lui-même comme un « open-weight hybrid instruct-and-reasoning MoE with multimodal input » : un seul modèle gère les réponses rapides, le raisonnement étape par étape et l’usage d’outils en mode agent.

Mistral l’a annoncé sur X à 13 h 06 UTC. Le message contient les quatre affirmations sur lesquelles repose tout le lancement : la taille, le rang parmi les modèles open-weight, les secteurs visés et l’infrastructure européenne.

Meet Mistral Large 4, aka Le Chonk.

• 1T parameters, natively multimodal. 49B active.
It is the best open weights model from US or Europe on aggregated benchmarks.
• State-of-the-art on critical workloads, including cyber defense, manufacturing and finance and it surpasses closed frontier models on visual grounding.
• Forged in Europe end-to-end and is deployable from Europe via our own Mistral Cloud infrastructure.
• Available to all via API today. Working with cybersecurity partners privately.

Open weights release end of October.

— Mistral AI (@MistralAI) October 6, 2026

Les specs ci-dessous viennent de la fiche du modèle dans la documentation de Mistral et de l’annonce. Quand une source indépendante donne un autre chiffre, le tableau le précise.

Deux specs ne concordent pas d’une source à l’autre. L’annonce de Mistral et ses deux messages de lancement sur X indiquent 49 milliards de paramètres actifs, et la fiche de la documentation disait la même chose quand nous l’avons lue pour la première fois le jour du lancement. Moins d’une heure plus tard, la fiche indiquait 52 milliards, sans aucune explication. L’écart le plus important concerne la fenêtre de contexte. La fiche de Mistral indique 1M de tokens. Artificial Analysis indique 524 288 tokens et Vals 512K avec une limite de sortie de 256K. Tant que Mistral n’explique pas l’écart, comptez sur 512K.

Pourquoi il s’appelle Le Chonk

Le Chonk est un terme d’argot internet pour un chat très gros, et le nom vient d’une blague lancée par la communauté. VentureBeat la fait remonter à Le Chaton Fat, un modèle géant fictif de Mistral devenu viral sur X et Reddit en juin, avec de faux graphiques de benchmarks. Le PDG de Mistral, Arthur Mensch, avait alors répondu qu’il s’agissait « actually le gros chaton ». Le directeur scientifique Guillaume Lample a confié à VentureBeat que Mistral s’était amusé du mème et que ML4 pouvait se lire comme une première version de l’idée, avec des modèles plus gros à venir.

L’entraînement, lui, n’avait rien d’une blague. Mistral indique avoir entraîné ML4 de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans ses propres datacenters européens, et faire tourner la préversion sur les mêmes machines. VentureBeat, CNBC et Euronews parlent de 4 000 GPU pendant environ deux mois, un chiffre qui semble venir du point presse. L’annonce écrite de Mistral indique 3 800.

Notre article sur Le Chaton Fat se terminait par un test simple pour tout modèle à la mode : pas de poids, pas d’API et pas de documentation, c’est probablement un chaton. Le Chonk réussit aujourd’hui deux critères sur trois. Le troisième, ce sont les poids.

Benchmarks de Mistral Large 4 : les chiffres de Mistral face aux chiffres indépendants

Mistral Large 4 dépasse tous les modèles ouverts américains et européens selon les données indépendantes publiées à ce jour, mais il n’est pas au niveau des meilleurs modèles ouverts chinois. Les graphiques de Mistral et les premiers scores de tiers racontent deux histoires un peu différentes, nous les présentons donc séparément.

Ce qu’annonce Mistral

Mistral annonce 61,7 % sur DeepSWE v1.1 en programmation, le chiffre phare de son annonce de lancement. Il y ajoute 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4.0, pour un Coding Agent Index combiné de 49,8 %. Selon Mistral, cela le place devant DeepSeek V4 Pro 0813 et Qwen3.8 Max.

VentureBeat a vérifié le graphique de programmation face au classement en direct de DeepSWE. Ce classement, qui retient la meilleure configuration d’agent publiée pour chaque modèle, place GLM-5.3 et Kimi K3 vers 69 %, et GPT-6 Astra, Gemini 3.8 Flash et Claude Opus 5 autour de 74 %.

Les 61,7 % sont donc compétitifs, sans être en tête.

Les autres affirmations phares viennent toutes de Mistral. Mistral Large 4 obtient 59,9 % sur AutomationBench, un ensemble de 657 workflows d’entreprise dans Gmail, Google Sheets, Slack et Salesforce. Il atteint 1 393 Elo sur AA-Briefcase, qui mesure le travail intellectuel au long cours. Au test de visual grounding Dense 200, il obtient 42 % contre 41 % pour GPT-6 Astra, ce qui fonde la phrase de l’annonce selon laquelle il « surpasses closed frontier models on visual grounding ». Dans un test à l’aveugle sur la qualité du code mené avec Surge AI, les évaluateurs lui ont donné 3,74 sur 5, deuxième sur cinq modèles, derrière Claude Opus 5 seul, à 4,22.

Ce qu’ont mesuré les évaluateurs indépendants

Artificial Analysis attribue à Mistral Large 4 Preview un score de 38 à son Intelligence Index v4.3.2, une synthèse de 10 évaluations. C’est très au-dessus des modèles ouverts américains du classement d’AA, comme Nemotron 3 Ultra de NVIDIA (23), Gemma 4 31B de Google (15) et gpt-oss-120b d’OpenAI (12). C’est aussi nettement en dessous des meilleurs modèles ouverts chinois, chacun vérifié sur sa propre page AA le jour du lancement.

Deux autres détails de la page AA comptent. Mistral Large 4 est rapide, environ 116 tokens de sortie par seconde, mais très verbeux : il a produit 200 millions de tokens pour passer l’index, contre une médiane de 81 millions. C’est cette verbosité qui pousse AA à chiffrer son coût par tâche de l’index à 1,13 $, malgré un prix catalogue modeste. Notre guide des benchmarks d’IA explique ce que mesure l’index et pourquoi un seul chiffre ne tranche jamais une comparaison.

Vals.ai, le deuxième évaluateur indépendant, lui a donné 48,05 % au Vals Index, 32e sur 44 modèles au total et neuvième parmi les modèles open-weight. Son meilleur résultat est sur Harvey’s Legal Agent Benchmark, avec 15,83 %, sixième sur 75 et premier parmi les modèles ouverts. Vals a publié ce classement quelques minutes après le lancement.

Mistral Large 4 is now the #1 open-weight model on HLAB and #9 among open-weight models on the Vals Index.

— Vals AI (@ValsAI) October 6, 2026

Le bilan honnête : l’affirmation selon laquelle ML4 est le meilleur modèle ouvert des États-Unis ou d’Europe tient sur Artificial Analysis. L’affirmation selon laquelle il rivalise avec les modèles ouverts les plus puissants du monde est exagérée. Sur Artificial Analysis, GLM 5.3 et Kimi K3 le devancent de six à sept points. Mistral précise que l’apprentissage par renforcement est toujours en cours, la version finale pourrait donc combler une partie de l’écart.

La cybersécurité, son vrai point fort

L’argument le plus fort de Mistral Large 4 est la cybersécurité, pas l’intelligence générale. Mistral affirme qu’il figure parmi les cinq meilleurs modèles du monde à l’Artificial Analysis Cyber Index et qu’il devance largement les modèles open-weight développés hors de Chine. L’un des tests de l’index demande à un modèle de reproduire une vraie vulnérabilité dans un logiciel open source, puis de la corriger. Mistral y annonce 82 %, le meilleur score de tous les modèles. Il affirme aussi que ML4 résout 93 % des 40 défis de Cybench.

Le plus intéressant, c’est la raison de sa victoire.

Selon Mistral, Claude Opus 5.5 et GPT-6 Astra obtiennent presque zéro sur la même tâche parce qu’ils refusent de l’exécuter. Mistral fait valoir que les défenseurs doivent souvent prouver qu’une faille est réelle avant de la corriger. Le filtre de sécurité d’un fournisseur peut bloquer précisément ce travail en plein incident. Un modèle open-weight qui tourne sur vos propres serveurs ne peut pas être coupé par un changement de politique.

Mistral couvre aussi ses arrières. En attendant la sortie des poids, il fait tester le modèle en red-teaming par des entreprises de cybersécurité, des partenaires vérifiés et des autorités publiques, qui y ont accès avec une modération réduite et des capacités cyber étendues. Mistral indique aussi que ML4 refuse les prompts cyber malveillants plus souvent que tout autre modèle ouvert testé. Le jour du lancement, Lample a décrit l’objectif comme permettre aux entreprises et aux gouvernements de « defend themselves against threat actors that are jailbreaking closed models to perform cyber attacks », selon la citation de CNBC.

Z.ai a connu la même tension en août. Elle a lancé GLM 5.3 sans poids et a indiqué sur X qu’ils seraient publiés « in stages following rigorous safety evaluations ». Mistral a pris un engagement plus ferme, et le 27 octobre en sera le test.

Mistral Large 4 est-il déjà open source ?

Non. Mistral Large 4 est annoncé comme un modèle open-weight, mais le jour du lancement, seule l’API en préversion existe. L’annonce de Mistral indique que les poids sortiront « by the end of the month », avec des détails sur l’architecture, d’autres benchmarks et la méthode de post-entraînement. VentureBeat et Euronews ont reçu une date précise, le 27 octobre.

Le fil de Lample au lancement explique ce décalage. L’apprentissage par renforcement derrière la préversion est toujours en cours, et Mistral prévoit de publier une version finale en même temps que les poids.

Today, we are launching a preview of our new model, Mistral Large 4 (ML4), aka le Chonk 🐈.
ML4 is a 1T-parameter model with 49B active parameters, trained natively with multimodal capabilities.

It is at the frontier of open models, and by far the strongest open-weight model from the US or Europe.
The RL run behind this preview is still in flight and shows no sign of saturation -- we will release a final version before the end of the month along with the weights of the model.
🧵
1/n

— Guillaume Lample (@GuillaumeLample) October 6, 2026

La grande inconnue, c’est la licence. La fiche de la documentation de Mistral marque le modèle comme « Open » sans nommer de licence, et VentureBeat rapporte qu’une licence Mistral sur mesure est attendue. C’est important, car le catalogue de Mistral n’est pas uniformément sous Apache 2.0. Large 3 est publié sous Apache 2.0, tandis que Mistral Medium 3.5 l’est sous une licence MIT modifiée, selon la documentation de Mistral. Tant que Mistral n’a pas publié les conditions de Large 4, ne comptez pas sur un usage commercial gratuit.

Artificial Analysis classe pour l’instant Mistral Large 4 Preview comme « proprietary », et rien n’est encore téléchargeable. Si vous avez besoin de poids à faire tourner dès aujourd’hui, notre liste des meilleurs modèles d’IA open source recense ce qui est réellement disponible.

Prix de Mistral Large 4

Mistral Large 4 est affiché à 1,36 $ par million de tokens en entrée et 4,18 $ par million de tokens en sortie, avec l’entrée en cache à 0,14 $. Ce sont les chiffres de l’annonce de Mistral et des pages d’Artificial Analysis et de Vals.

La fiche du modèle dans la documentation de Mistral montre autre chose. Elle barre ces trois prix et les remplace par exactement la moitié : 0,68 $ en entrée, 0,07 $ en entrée en cache et 2,09 $ en sortie. Ni la fiche ni l’annonce ne disent s’il s’agit d’une remise de préversion, combien de temps elle dure ou ce qui se passera à la sortie du modèle final. Pour un budget, partez du prix catalogue et considérez le demi-tarif comme un bonus.

Mistral Large 4 coûte plus cher que Large 3, toujours en vente à 0,50 $ et 1,50 $ pour les équipes qui veulent l’ancien modèle ouvert. Notre guide des tarifs de Mistral AI détaille les abonnements Vibe et le reste de l’offre API. Mistral se compare à DeepSeek V4 Pro plus qu’à tout autre modèle, et notre analyse de DeepSeek V4 présente ce rival.

Comment essayer Mistral Large 4 dès aujourd’hui

Le jour du lancement, le seul moyen d’utiliser Mistral Large 4 est l’API en préversion de Mistral Studio, la plateforme développeurs de Mistral. Créez un compte Studio, ajoutez un moyen de paiement, générez une clé API et appelez le modèle par son nom depuis les endpoints chat completions ou conversations. La fiche de la documentation indique la prise en charge des sorties structurées, de l’appel de fonctions, des questions sur des documents, du traitement par lots et des outils d’agent intégrés de Mistral.

L’annonce de Mistral ne mentionne pas Vibe, l’assistant grand public autrefois appelé Le Chat : ne vous attendez donc pas à trouver Large 4 dans le menu des modèles de Vibe pour l’instant. Mistral indique que ML4 tournera dans plusieurs régions, dont un déploiement européen qu’il opère de bout en bout sous droit européen. Le cloud privé et l’on-premise suivront à la sortie des poids. Si vous voulez surtout comparer les réponses de plusieurs modèles de pointe sans gérer de clés API, Fello AI réunit Mistral, Claude, GPT et Gemini dans une seule application Mac.

Faut-il passer à Mistral Large 4 ?

Passez-y maintenant seulement si l’hébergement européen ou la cybersécurité motivent votre recherche. Pour une équipe qui doit traiter son IA dans l’UE sous droit européen, Mistral Large 4 est le modèle le plus puissant que Mistral ait jamais servi depuis sa propre infrastructure européenne. Aucun autre modèle européen n’en approche sur Artificial Analysis. Pour les équipes de sécurité lassées des refus sur un travail légitime autour des vulnérabilités, le résultat de Mistral au test de reproduction et correction est la meilleure raison de l’essayer ce mois-ci.

Pour tous les autres, mieux vaut attendre le 27 octobre.

D’après les chiffres indépendants d’aujourd’hui, GLM-5.3 et Kimi K3 restent les modèles ouverts les plus forts, et vous pouvez télécharger les deux dès maintenant. La préversion évolue encore, de l’aveu même de Mistral, la licence est inconnue et le demi-tarif pourrait ne pas durer. Le vrai verdict sur Le Chonk tombera quand les poids seront publiés et que d’autres pourront tester la version finale sur leur propre matériel.

FAQ