Mistral AI annonce le 6 octobre 2026 la préversion publique de Mistral Large 4, ou ML4, surnommé « le Chonk ». Le modèle compte 1 000 milliards de paramètres dont 49 milliards actifs, est multimodal de façon native et a été entraîné de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans les datacenters européens de l'entreprise. L'API de préversion est disponible sur Mistral Studio ; les poids seront publiés avant la fin du mois, après une phase de test en conditions réelles avec des responsables de la cybersécurité, des partenaires vérifiés et des autorités d'État, qui accèdent à une version à modération réduite et capacités cyber étendues.
Mistral présente ML4 comme proche des meilleurs modèles ouverts du monde et nettement devant tout modèle ouvert américain ou européen, avec un état de l'art parmi les modèles ouverts en cybersécurité, finance et droit, et des résultats supérieurs à certains modèles fermés en ancrage visuel.
By Mistral
En cybersécurité, le modèle se classe dans les cinq premiers de l'Artificial Analysis Cyber Index et mène les modèles ouverts hors Chine. Sur le test de reproduction puis de correction d'une vulnérabilité, il obtient 82 %, le plus haut score cité, et 93 % sur Cybench. Le billet explique que Claude Opus 5.5 et GPT-6 Astra sont proches de zéro sur ce test parce qu'ils refusent la tâche, alors que défendre un logiciel commence souvent par prouver qu'une faille est réelle. Il en déduit l'intérêt de modèles ouverts, déployables en privé ou sur site, sous la politique de l'organisation.
En code agentique, ML4 atteint 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4, soit 49,8 % à l'indice combiné, devant DeepSeek V4 Pro 0813 et Qwen3.8 Max. Une évaluation humaine en aveugle par Surge AI le place deuxième sur cinq (3,74), derrière Claude Opus 5 (4,22). En flux agentiques, il obtient 59,9 % sur AutomationBench et 1 393 Elo sur AA-Briefcase. Sur le travail de la connaissance, vals.ai le place devant GPT-6 Astra en finance et en droit, et il devance les autres modèles ouverts sur le benchmark juridique de Harvey. La section sécurité cite 93,3 % d'attaques repoussées sur le benchmark B3 de Lakera et un taux de refus des requêtes cyber malveillantes plus élevé que celui des modèles ouverts comparés.
Sur la méthode, Mistral décrit une bibliothèque d'apprentissage par renforcement composable, où sandboxes, recherche web, API et vérificateurs (modèles de récompense, tests, juges) se combinent. Avec 3 000 GPU, un entraînement produit environ 33 milliards de tokens par jour. ML4 est la première étape de la feuille de route financée par la série D de 3 milliards d'euros et servira de base à des modèles spécialisés. Le tarif est de 1,36 dollar par million de tokens en entrée et 4,18 dollars en sortie.