O Mistral Large 4, alcunhado Le Chonk, é um modelo mixture-of-experts com 1 bilião de parâmetros e 49 mil milhões de parâmetros ativos. A Mistral AI lançou-o como API em pré-visualização pública a 6 de outubro de 2026 e, a 29 de outubro, publicou uma versão final melhorada juntamente com os pesos abertos. Lê texto e imagens, responde em texto e custa agora $0,70 por milhão de tokens de entrada.
A Mistral apresenta-o como o melhor modelo de pesos abertos para programação e um dos modelos abertos mais capazes do mundo. Os números independentes confirmam a primeira metade da afirmação sobre os EUA e a Europa e complicam a parte global. Este guia coloca os benchmarks da Mistral ao lado das pontuações publicadas pela Artificial Analysis e explica as especificações, o novo preço, a licença e como executar os pesos. Escrevemo-lo no dia do lançamento e atualizámo-lo a 7 de novembro de 2026, depois de os pesos saírem.
O essencial
- Tamanho: 1,05 biliões de parâmetros no total, 49 mil milhões ativos por token (52 mil milhões contando as camadas de embedding e de saída), mais um codificador visual de 1,6 mil milhões. Entra texto e imagem, sai texto, com uma janela de contexto de 1M de tokens.
- Pesos: disponíveis desde 29 de outubro no Hugging Face, dois dias depois do 27 de outubro que a Mistral indicou aos jornalistas, sob a Mistral Ecosystem Open-Weight license, uma licença MIT modificada.
- Preço: $0,70 de entrada / $2,10 de saída por milhão de tokens, cerca de metade do preço de tabela da pré-visualização, $1,36 / $4,18.
- Pontuação independente: 26,1 no Artificial Analysis Intelligence Index v5.0.1, a mais alta de qualquer modelo aberto dos EUA ou da Europa, mas atrás do GLM-5.3 (31,7) e do Kimi K3.1 Pro (46,5).
- O verdadeiro argumento: programação e ciberdefesa. A Mistral reporta 48 % no Coding Agent Index da AA, ao nível do GLM-5.3, e 51 % no AA Cyber Index, recusando 96,6 % dos pedidos cibernéticos maliciosos.
O que é o Mistral Large 4
O Mistral Large 4 é o maior e mais capaz modelo da Mistral AI até agora, uma rede mixture-of-experts esparsa que só ativa cerca de 5 % dos seus pesos em cada token. A própria Mistral descreve-o como um «open-weight hybrid instruct-and-reasoning MoE with multimodal input», ou seja, um único modelo para respostas rápidas, raciocínio passo a passo e utilização agêntica de ferramentas. A versão final acrescenta três modos de raciocínio, low, medium e high (o predefinido), para trocar profundidade por velocidade e custo em cada pedido.
A Mistral anunciou a pré-visualização no X às 13:06 UTC de 6 de outubro. A publicação reúne as quatro afirmações em que assenta o lançamento: o tamanho, o ranking de pesos abertos, os setores-alvo e a infraestrutura europeia.
Meet Mistral Large 4, aka Le Chonk.
— Mistral AI (@MistralAI) October 6, 2026
• 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.
As especificações abaixo vêm da ficha do modelo na documentação da Mistral e da sua ficha no Hugging Face.
| Especificação | Mistral Large 4 | Mistral Large 3 (para comparação) |
|---|---|---|
| Lançamento | 6 de outubro de 2026 (pré-visualização); 29 de outubro de 2026 (modelo final e pesos, v26.10) | 2 de dezembro de 2025 |
| Parâmetros totais | 1,05 biliões | 675 mil milhões |
| Parâmetros ativos | 49 mil milhões por token; 52 mil milhões com as camadas de embedding e de saída | 41 mil milhões |
| Entrada / saída | Entra texto e imagem, sai texto | Entra texto e imagem, sai texto |
| Janela de contexto | 1M de tokens | 256K |
| Idiomas | Mais de 160, todas as línguas oficiais da UE | n/d |
| Preço da API (por 1M de tokens) | $0,70 de entrada / $2,10 de saída | Fora da tabela de preços desde a descontinuação |
| Licença | Mistral Ecosystem Open-Weight license (MIT modificada) | Apache 2.0 |
| Estado | Disponibilidade geral, pesos no Hugging Face | Descontinuado a 31 de outubro de 2026; retirado a 30 de abril de 2027 |
As duas divergências de especificações do dia do lançamento estão resolvidas. Os materiais da pré-visualização falavam em 49 mil milhões de parâmetros ativos, enquanto a ficha da documentação passou para 52 mil milhões em menos de uma hora, sem qualquer nota. A ficha do Hugging Face explica: há 49 mil milhões de parâmetros ativos por token e 52 mil milhões contando as camadas de embedding e de saída. A diferença na janela de contexto também desapareceu. No dia do lançamento, a Artificial Analysis indicava 524 288 tokens e a Vals 512K, contra o 1M da Mistral; agora a Mistral, o Hugging Face e a Artificial Analysis indicam todos 1M.
Porque se chama Le Chonk
Le Chonk é calão da internet para um gato muito gordo, e o nome é uma piada iniciada pela comunidade. A VentureBeat liga-o ao Le Chaton Fat, um modelo gigante fictício da Mistral que se tornou viral no X e no Reddit em junho com gráficos de benchmarks falsos. O CEO da Mistral, Arthur Mensch, respondeu na altura que era «actually le gros chaton». O cientista-chefe, Guillaume Lample, disse à VentureBeat que a Mistral achou piada ao meme e que o ML4 pode ser lido como uma primeira versão da ideia, com modelos maiores ainda por vir.
O treino não foi piada nenhuma. A Mistral diz que treinou o ML4 de raiz em 3800 GPU NVIDIA Grace Blackwell nos seus próprios centros de dados europeus e que o serve a partir das mesmas máquinas. A VentureBeat, a CNBC e a Euronews falaram em 4000 GPU durante cerca de dois meses, um número que parece vir do briefing de imprensa. O anúncio escrito da Mistral e a sua ficha no Hugging Face indicam 3800.
O nosso artigo sobre o Le Chaton Fat terminava com um teste simples para qualquer modelo da moda: sem pesos, sem API e sem documentação, provavelmente é um gatinho. No dia do lançamento, o Le Chonk passava em dois dos três critérios. Desde 29 de outubro passa nos três.
Benchmarks do Mistral Large 4: os números da Mistral contra os independentes
O Mistral Large 4 supera todos os modelos abertos dos EUA e da Europa nos dados independentes publicados até agora, mas não está ao nível dos melhores modelos abertos chineses. Os gráficos da Mistral e as pontuações de terceiros contam duas histórias ligeiramente diferentes, por isso surgem aqui em separado.
O que a Mistral reporta
Para o modelo final, a Mistral reporta 48 % no Coding Agent Index da Artificial Analysis, que descreve como «effectively tied» com o GLM-5.3 usando menos 47 % de tokens por tarefa. Reporta também 41 % no Terminal-Bench 4.0, mais 13 pontos do que a pré-visualização, e uns 19,7 % que lideram o FrontierCode 2.0, o benchmark privado da Cognition. Nas comparações de código às cegas da Surge, os avaliadores preferiram-no ao GLM-5.3, ao Kimi K3 e ao DeepSeek V4.1 Flash, e colocaram-no apenas atrás do Claude Opus 5.5, segundo o anúncio dos pesos.
Os números da pré-visualização chegaram primeiro. No lançamento, a Mistral reportou 61,7 % no DeepSWE v1.1, 59,4 % no SWE-Atlas-QnA e 28,3 % no Terminal-Bench 4.0, para um Coding Agent Index combinado de 49,8 %, no seu anúncio de lançamento. A VentureBeat comparou esse gráfico de programação com a tabela em direto do DeepSWE, que na altura colocava o GLM-5.3 e o Kimi K3 por volta dos 69 % e o GPT-6 Astra, o Gemini 3.8 Flash e o Claude Opus 5 por volta dos 74 %.
Os 61,7 % eram, portanto, competitivos, não uma liderança.
As restantes afirmações do lançamento vêm todas da Mistral. A pré-visualização chegou aos 59,9 % no AutomationBench, um conjunto de 657 fluxos de trabalho empresariais no Gmail, Google Sheets, Slack e Salesforce, e aos 1393 Elo no AA-Briefcase para trabalho de conhecimento de longo prazo. No teste de ancoragem visual Dense 200 obteve 42 %, contra 41 % do GPT-6 Astra, a base da frase de que «surpasses closed frontier models on visual grounding». Num teste cego de qualidade de código feito com a Surge AI, os avaliadores deram-lhe 3,74 em 5, segundo de cinco modelos e apenas atrás do Claude Opus 5, com 4,22. Para o modelo final, a Mistral acrescenta 84,5 % no BrowseComp e 73,3 % no benchmark financeiro Finch, segundo entre os modelos abertos, atrás do Kimi K3.
O que mediram os avaliadores independentes
A Artificial Analysis atribui ao Mistral Large 4 (high) final uma pontuação de 26,1 no seu Intelligence Index v5.0.1, uma combinação de nove avaliações. A versão 5 usa testes mais difíceis do que o índice v4.3.2, que deu 38 à pré-visualização no dia do lançamento, pelo que os dois números não são comparáveis. Na v5.0.1 continua a ser o melhor modelo aberto dos EUA ou da Europa, à frente do Muse Spark Open da Meta, e continua atrás dos melhores modelos abertos chineses.
| Modelo | Programador | AA Intelligence Index v5.0.1 | Pesos abertos? |
|---|---|---|---|
| Kimi K3.1 Pro | Moonshot AI (China) | 46,5 | Sim |
| DeepSeek V4.1 Flash 1017 | DeepSeek (China) | 32,6 | Sim |
| GLM-5.3 | Z.ai (China) | 31,7 | Sim |
| MiMo-V2.6-Pro | Xiaomi (China) | 29,9 | Sim |
| Mistral Large 4 | Mistral AI (França) | 26,1 | Sim, desde 29 de outubro |
| Muse Spark Open | Meta (EUA) | 24,9 | Sim |
| DeepSeek V4 Pro 0813 | DeepSeek (China) | 23,1 | Sim |
| Nemotron 3 Ultra | NVIDIA (EUA) | 11,8 | Sim |
A pré-visualização tinha uma fraqueza clara na página da AA: era muito verbosa e produziu 200 milhões de tokens para correr o índice v4.3.2, contra uma mediana de 81 milhões, o que levou o seu custo por tarefa do índice a $1,13 apesar de um preço de tabela modesto. A Mistral diz que o modelo final corrige boa parte disso, com menos 30 % de tokens de saída no Terminal-Bench 4.0. O nosso guia de benchmarks de IA explica o que o índice mede e porque é que um único número nunca decide uma comparação.
A Vals.ai, o segundo avaliador independente, deu à pré-visualização 48,05 % no Vals Index, 32.º lugar entre 44 modelos no total e nono entre os modelos de pesos abertos. O seu melhor resultado foi no Harvey's Legal Agent Benchmark, com 15,83 %, sexto entre 75 e primeiro entre os modelos abertos. A Vals publicou essa classificação minutos depois do lançamento.
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
O resumo honesto: a afirmação de que o ML4 é o melhor modelo aberto dos EUA ou da Europa continua a confirmar-se na Artificial Analysis. A de que compete com os modelos abertos mais fortes do mundo é exagerada na inteligência geral, onde o GLM 5.3 lhe leva cerca de seis pontos e o Kimi K3.1 vinte. A programação é onde o modelo final encurtou a distância, se os 48 % no Coding Agent Index da AA reportados pela Mistral se confirmarem.
A cibersegurança é a verdadeira diferença
O argumento mais forte do Mistral Large 4 é a cibersegurança, não a inteligência geral. Para o modelo final, a Mistral reporta 51 % no Artificial Analysis Cyber Index, que avalia se um modelo consegue encontrar vulnerabilidades numa base de código, reproduzi-las e corrigi-las sem estragar nada. No lançamento da pré-visualização, a Mistral disse que, num dos testes do índice, reproduzir uma vulnerabilidade real e depois corrigi-la, o ML4 obtinha 82 %, o valor mais alto de qualquer modelo, e que resolvia 93 % dos 40 desafios do Cybench.
O interessante é perceber porque ganha esse teste.
Segundo a Mistral, o Claude Opus 5.5 e o GPT-6 Astra obtiveram quase zero na mesma tarefa no lançamento porque se recusam a executá-la. A Mistral argumenta que quem defende muitas vezes precisa de provar que uma falha é real antes de a corrigir. O filtro de segurança de um fornecedor pode bloquear exatamente esse trabalho a meio de um incidente. Um modelo de pesos abertos a correr nos seus próprios servidores não pode ser desligado por uma mudança de política.
Como a Mistral protege essa aposta
A Mistral também protege essa aposta. Diz que o modelo final recusa 96,6 % dos pedidos cibernéticos maliciosos, a taxa mais alta que mediu entre modelos abertos. Mas também admite um risco: a monitorização do tráfego real desde a pré-visualização mostrou «a potential for uplift to conduct real attacks», e a Mistral diz que está a reforçar as suas salvaguardas nos próximos meses. Uma variante especializada para testes de intrusão e red teaming está em pré-visualização apenas para parceiros verificados como a Orange Cyberdefense, sob contrato e limitada a sistemas que lhes pertencem ou que estão autorizados a testar. Lample descreveu o objetivo no dia do lançamento como permitir que empresas e governos possam «defend themselves against threat actors that are jailbreaking closed models to perform cyber attacks», segundo citou a CNBC.
A Z.ai enfrentou a mesma tensão em agosto. Lançou o GLM 5.3 sem pesos e disse no X que seriam publicados «in stages following rigorous safety evaluations». A Mistral fez uma promessa mais firme e cumpriu-a, dois dias depois do 27 de outubro que tinha indicado aos jornalistas.
O Mistral Large 4 é open source?
O Mistral Large 4 é um modelo de pesos abertos, não open source no sentido estrito. A Mistral publicou os pesos no Hugging Face a 29 de outubro, juntamente com um checkpoint quantizado NVFP4 para GPU NVIDIA Blackwell, um relatório técnico e receitas de implementação para vLLM e SGLang. Os pesos são os do modelo final melhorado, não os da pré-visualização.
O fio de Lample no lançamento explicava porque é que os pesos chegaram três semanas depois da pré-visualização. A execução de aprendizagem por reforço por trás da pré-visualização ainda estava em curso, e a Mistral planeava lançar uma versão final juntamente com os pesos.
Today, we are launching a preview of our new model, Mistral Large 4 (ML4), aka le Chonk 🐈.
— Guillaume Lample (@GuillaumeLample) October 6, 2026
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
A licença é a Mistral Ecosystem Open-Weight license, uma licença MIT modificada. A Mistral diz que o modelo pode ser usado, modificado, afinado e comercializado gratuitamente, com uma condição: uma empresa que explore uma oferta de tipo Model-as-a-Service tem de obter uma licença comercial separada antes de o usar comercialmente. Isso torna-a menos permissiva do que a do Large 3, publicado sob Apache 2.0, e a gama da Mistral não é uniforme: o Mistral Medium 3.5 usa a sua própria licença MIT modificada. Convém ler as condições antes de construir um produto alojado sobre ele.
A Artificial Analysis classifica agora o Mistral Large 4 como modelo de pesos abertos com licença comercial. Para o comparar com outros modelos que já pode descarregar, a lista dos melhores modelos de IA open source cobre o panorama.
Preço do Mistral Large 4
O Mistral Large 4 custa $0,70 por milhão de tokens de entrada e $2,10 por milhão de tokens de saída, com a entrada em cache a $0,07. A Mistral fixou esse preço a 29 de outubro com o modelo final, e é o valor da sua tabela de preços da API e da ficha do modelo na documentação.
A pré-visualização tinha outro preço. O preço de tabela era $1,36 de entrada, $0,14 de entrada em cache e $4,18 de saída, e, nas duas primeiras semanas da pré-visualização, a ficha da documentação da Mistral mostrava esses valores riscados e reduzidos a metade, $0,68, $0,07 e $2,09, sem explicação. O preço final fica quase exatamente nessa metade das primeiras semanas.
| Por 1M de tokens | Entrada | Entrada em cache | Saída |
|---|---|---|---|
| Mistral Large 4, desde 29 de outubro | $0,70 | $0,07 | $2,10 |
| Mistral Large 4 pré-visualização, preço de tabela | $1,36 | $0,14 | $4,18 |
| Mistral Large 3 (descontinuado) | Fora da tabela | Fora da tabela | Fora da tabela |
O Mistral Large 4 substitui dois modelos mais antigos. A Mistral descontinuou o Large 3 e o Medium 3.5 a 31 de outubro, indica o Large 4 como substituto de ambos e retira-os a 30 de abril de 2027. O nosso guia de preços da Mistral AI cobre as subscrições do Vibe e o resto da oferta da API. A Mistral compara-se com a DeepSeek mais do que com qualquer outro laboratório, e a nossa análise do DeepSeek V4 apresenta esse rival.
Como experimentar o Mistral Large 4
O Mistral Large 4 está disponível em mais sítios do que a pré-visualização. Os programadores podem chamá-lo através da API da Mistral no Mistral Studio, no OpenRouter, através dos endpoints alojados da NVIDIA ou no Microsoft Foundry, que segundo a Mistral foi o primeiro fornecedor de nuvem a disponibilizá-lo. A ficha da documentação indica suporte para saídas estruturadas, chamadas de funções, perguntas sobre documentos, processamento em lote e as ferramentas de agente integradas da Mistral.
Para programar, a Mistral remete para o Vibe Code, o modo de programação do Vibe, o assistente que antes se chamava Le Chat, onde é possível escolher o Large 4 e dar-lhe uma funcionalidade para construir ou um erro para corrigir. Para o executar por conta própria, descarregue os pesos do Hugging Face e sirva-os com vLLM ou SGLang. Se o objetivo for sobretudo comparar respostas de vários modelos de topo sem gerir chaves de API nem GPU, o Fello AI junta o Mistral ao Claude, ao GPT e ao Gemini numa só aplicação para Mac.
Vale a pena mudar para o Mistral Large 4?
Mude se o alojamento europeu, o trabalho de cibersegurança ou o alojamento próprio forem o motivo da procura. Para uma equipa que precisa de processar a sua IA na UE ao abrigo do direito europeu, o Mistral Large 4 é o modelo mais forte que a Mistral serve a partir da sua própria infraestrutura europeia, e os pesos permitem executá-lo nos seus próprios servidores. Para equipas de segurança cansadas de recusas em trabalho legítimo com vulnerabilidades, é a opção aberta mais clara para testar. E, para quem usa o Large 3 ou o Medium 3.5, o prazo para migrar vai até 30 de abril de 2027.
Para todos os outros, o melhor é testar antes de se comprometer.
Na Artificial Analysis, o GLM-5.3 e o Kimi K3.1 Pro continuam a pontuar mais alto em inteligência geral, e ambos também podem ser descarregados. A cláusula de Model-as-a-Service importa para quem pretende revender o acesso. Onde o Mistral Large 4 é difícil de bater é no preço para um modelo deste tamanho: $0,70 por milhão de tokens de entrada por um modelo com 1 bilião de parâmetros que também pode ser seu por inteiro.
Perguntas frequentes
O que é o Mistral Large 4?
O Mistral Large 4 é um modelo mixture-of-experts com 1 bilião de parâmetros do laboratório francês Mistral AI, com 49 mil milhões de parâmetros ativos por token. Lê texto e imagens e responde em texto. A Mistral lançou-o em pré-visualização a 6 de outubro de 2026, com a alcunha Le Chonk, e publicou o modelo final com pesos abertos a 29 de outubro.
Os pesos do Mistral Large 4 estão disponíveis?
Sim. A Mistral publicou os pesos no Hugging Face a 29 de outubro de 2026, dois dias depois da data indicada aos jornalistas. Correspondem ao modelo final melhorado e vêm com um checkpoint NVFP4 para GPU NVIDIA Blackwell. A licença é a Mistral Ecosystem Open-Weight license, uma licença MIT modificada.
Quanto custa o Mistral Large 4?
$0,70 por milhão de tokens de entrada e $2,10 por milhão de tokens de saída, com a entrada em cache a $0,07, desde 29 de outubro de 2026. A pré-visualização tinha um preço de tabela de $1,36 e $4,18.
O Mistral Large 4 é melhor do que o DeepSeek, o GLM ou o Kimi?
No Artificial Analysis Intelligence Index v5.0.1 obtém 26,1, à frente do DeepSeek V4 Pro 0813 (23,1) mas atrás do GLM-5.3 (31,7), do DeepSeek V4.1 Flash 1017 (32,6) e do Kimi K3.1 Pro (46,5). Os gráficos da Mistral mostram-no ao nível do GLM-5.3 em programação agêntica e forte em cibersegurança, com 51 % no Cyber Index da AA.
É possível usar o Mistral Large 4 no Vibe ou no Le Chat?
Sim, no Vibe Code, o modo de programação do Vibe. Vibe é o novo nome do Le Chat. O anúncio dos pesos da Mistral liga diretamente ao Vibe Code com o Large 4 selecionado, mas não diz se o Large 4 também alimenta o chat normal do Vibe.
A imagem de destaque deste artigo foi criada com a ajuda de IA.