Mistral Large 4 vs GPT-6.1 Sol: Uno que puedes descargar, uno que solo puedes alquilar

Casi todas las comparaciones entre Mistral Large 4 y GPT-6.1 Sol que circulan en la web abierta citan cifras que dejaron de existir el 27 de octubre. Las páginas dicen 38 y 52. Artificial Analysis reconstruyó su Intelligence Index en la serie v5 ese día, volvió a ejecutar los modelos y ahora publica 26 para Mistral Large 4 frente a 55 para GPT-6.1 Sol. Eso no es un cambio en ninguno de los dos modelos —es un instrumento distinto, con nueve evaluaciones en lugar del conjunto anterior y una mezcla mucho más difícil—, pero sí significa que la diferencia de la que quizá hayas leído, catorce puntos, ahora es de veintinueve sobre el papel y no es comparable con nada de antes de la reconstrucción. Comparar entre distintas ejecuciones del índice es el error más común en este nicho, y conviene acertar con el par actual antes de discutir cualquier otra cosa.

Lo que hace que este enfrentamiento sea más interesante que una diferencia de puntuación es que esta mañana los dos productos dejaron de ser el mismo tipo de cosa. GPT-6.1 Sol ha sido un modelo de alquiler desde que OpenAI lo lanzó el 29 de septiembre de 2026 a 2,00 y 10,00 dólares por millón de tokens; lo llamas, no puedes quedártelo. Mistral Large 4, presentado en vista previa el 6 de octubre de 2026, publicó sus pesos el 29 de octubre de 2026 a las 14:51 UTC —1.060,6 GB en FP8 y 610,1 GB en NVFP4, disponibles para descargar, bajo una licencia MIT modificada. Uno de estos modelos tiene un contador que nunca se detiene. El contador del otro se detiene el día que compras el hardware. Esa es la decisión, y la tabla de referencia es consecuencia de ella.

Dos productos, dos fechas, uno de ellos finalizado

La asimetría no es una objeción menor sobre la madurez: cambia qué preguntas merece la pena formular. GPT-6.1 Sol es un modelo lanzado, documentado y medido de forma independiente, con diez proveedores de API enumerados para él. Su tarifario está fijado, su contexto de 1M está documentado y su posición en la gama de OpenAI está por debajo del buque insignia Astra, no en la cima. Mistral Large 4 estuvo veintitrés días como vista previa de API, y hoy se convirtió en un archivo. Su tarifario alojado está fijado en $0.70 por entrada y $2.10 por salida por millón de tokens, y su futuro ahora está en parte en manos de quien lo ejecute, en lugar de en la hoja de ruta de Mistral.

Las seis líneas que importan

Mismas dimensiones en ambos lados, instrumento actual, leído de las dos páginas de modelos de Artificial Analysis y la documentación propia de los proveedores el 29 de octubre de 2026:

• Índice de Inteligencia — GPT-6.1 Sol 55 (serie v5, en séptimo lugar entre 54 en su clase de comparación); Mistral Large 4 26 (en octavo lugar entre 19 en una clase diferente — ambas posiciones no están en la misma escala).

• Costo por tarea de Index — GPT-6.1 Sol $1,27; Mistral Large 4 $2,06.

• Precio del token — GPT-6.1 Sol $2.00 entrada / $10.00 salida por millón, con un nivel de $4.00 / $15.00 para más de 272.000 tokens de entrada; Mistral Large 4 $0.70 entrada / $0.07 en caché / $2.10 salida.

• Velocidad de salida — GPT-6.1 Sol 79,1 tokens por segundo; Mistral Large 4 161,3.

• Contexto — 1M tokens en ambos, documentado en ambos.

• Despliegue — GPT-6.1 Sol: solo alojado, sin pesos a ningún precio. Mistral Large 4: alojado o autoalojado, 610,1 GB en NVFP4, ocho GPU de clase Blackwell en la receta vLLM publicada.

El Índice es un promedio, y los promedios ocultan la forma de una brecha. En las filas individuales de Artificial Analysis, la división es desigual en lugar de uniformemente mala: HLE-Diamond 17% frente a 59%, Terminal-Bench-Science 0.1 con 4% frente a 58%, FrontierCode 2.0 con 15% frente a 41%, Terminal-Bench 4.0 con 25% frente a 56%, y GDPpdf con 18% frente a 31%. Mistral Large 4 no se queda atrás por veintinueve puntos en todas las tareas; se queda muy atrás en las evaluaciones que premian el razonamiento sostenido de múltiples pasos, y está más o menos a la par en trabajo más corto de una sola pasada. Si tu carga de trabajo se parece al segundo tipo, el promedio es el número equivocado en el que basar una compra. Si se parece al primero, ningún descuento cierra esa brecha.

Por qué se movieron los números, y por qué eso no es un escándalo

La reconstrucción v5 volvió a ejecutar todo el campo sobre un nuevo conjunto de evaluación, y aproximadamente el 60 % de este es privado: preguntas que no estaban disponibles públicamente antes de la reconstrucción. Los modelos no se movieron todos en la misma dirección: algunos cayeron con fuerza, otros subieron. Mistral Large 4 bajando de 38 a 26 y GPT-6.1 Sol subiendo de 52 a 55 son dos lecturas del mismo evento, y ninguna es la de un proveedor que tuvo un mal trimestre. La regla que se desprende es simple y fácil de romper por accidente: nunca restar una puntuación de una ejecución del índice a una puntuación de otra ejecución, y nunca citar una diferencia cuyas dos mitades se midieron con una semana de diferencia. La diferencia que existe hoy es de veintinueve puntos en un solo instrumento.

Veintinueve puntos es mucho, y tampoco cuenta toda la historia. Un índice de 26 describe un modelo competente en trabajo general y poco destacable en el extremo difícil; un índice de 55 describe uno de los modelos más potentes disponibles. Si tu carga de trabajo es programación agéntica sobre un repositorio grande, la respuesta ya está decidida y ningún argumento de precios la cambia. El resto de este artículo trata de las cargas de trabajo en las que aún no está decidida.

La reversión sobrevivió al rebase

El único hallazgo del periodo de vista previa de octubre que se mantuvo con el nuevo instrumento es la inversión de precio por tarea, y se mantuvo con cifras nuevas. Mistral Large 4 cobra aproximadamente un tercio de la tarifa de entrada de GPT-6.1 Sol y un quinto de su tarifa de salida, y aun así cuesta un 62 % más completar la misma tarea de evaluación: 2,06 USD frente a 1,27 USD. Eso no es un truco de precios. La factura de un modelo de razonamiento está dominada por cuántos tokens decide emitir, y Mistral Large 4 emite muchísimos: Artificial Analysis registra 110 millones de tokens de salida en su muestra de verbosidad frente a una mediana de 100 millones, mientras que GPT-6.1 Sol se sitúa en 64 millones, por debajo de la mediana. Tokens más baratos multiplicados por más tokens no es un ahorro, y la factura lo dirá.

La consecuencia práctica es más acotada que «el modelo barato es caro en secreto». Para las tareas de salida corta —clasificación, extracción, enrutamiento, cualquier tarea que termine tras doscientos tokens y nunca entre en un bucle de razonamiento—, el precio de los tokens es la factura, y $0,70 frente a $2,00 es todo el argumento. La inversión pasa factura en el razonamiento de horizonte largo, que es exactamente donde también reside la brecha de veintinueve puntos. Que dos mediciones distintas apunten en la misma dirección es motivo para confiar en esa dirección, no para generalizarla a todas las cargas de trabajo.

La velocidad corre en sentido contrario, y la paciencia también.

Mistral Large 4 es más del doble de rápido en salida: 161,3 tokens por segundo frente a 79,1. También devuelve un primer token en 1,42 segundos, ligeramente mejor que la mediana de 1,68 segundos de su conjunto de comparación. La cifra publicada de GPT-6.1 Sol para el tiempo hasta el primer token de respuesta es de 249,48 segundos, frente a una mediana de 3,53 segundos, que es el tipo de número que necesita explicación en lugar de ser citado.

Esos 249 segundos casi con certeza no son latencia en el sentido de red. Es el tiempo que el modelo pasa razonando antes de emitir el primer token de respuesta, medido con el máximo esfuerzo de razonamiento, y es la forma honesta de mostrar cuánto le cuesta un presupuesto de razonamiento largo a un usuario que está esperando. Nuestros propios datos de enrutamiento hacen concreta la distinción: en los 584,7 millones de tokens de GPT-6.1 Sol transportados por OrcaRouter en los siete días hasta el 29 de octubre, el tiempo p50 hasta el primer token transmitido en streaming fue de 1,36 segundos, mientras que el p95 fue de 10 segundos. El primer token llega rápido; es la primera respuesta la que tarda minutos, y los flags de la API deciden cuál de las dos experimenta tu usuario. Si tu aplicación transmite los tokens de razonamiento en streaming, la espera está poblada y es tolerable. Si no lo hace —si un usuario se queda mirando un spinner hasta que llega la primera respuesta—, entonces un primer token de cuatro minutos es una restricción de producto que ninguna puntuación de benchmark compensa, y un modelo que responde en 1,4 segundos se sentirá mejor que uno que es veintinueve puntos de Index más fuerte. Este es el eje en el que el modelo más barato y de menor puntuación gana con más frecuencia en implementaciones reales, y no aparece en ninguna tabla comparativa.

Lo que cambió esta mañana: el medidor termina

Hasta hoy, el argumento a favor del autoalojamiento de Mistral Large 4 era una promesa, y las promesas no sobreviven a una revisión de adquisiciones. Ahora es un repositorio. Dos checkpoints, un único archivo de licencia y una receta de servicio publicada por el proveedor: vLLM con paralelismo tensorial 8 y una caché KV MLA FP8, SGLang con tp-size 4, ambos con una cabeza de borrador DSpark integrada para decodificación especulativa en lugar de un segundo modelo.

Lo que eso compra no es un token más barato: es el fin del token como unidad de coste. Con hardware propio, la factura pasa a ser depreciación, energía, espacio de rack y el ingeniero que posee el clúster, y una carga de trabajo que se ejecuta a un volumen alto y constante pasa de ser un coste variable a uno fijo. Ese es el argumento para un banco europeo con una norma de residencia de datos, un contratista de defensa cuyo departamento de compras prohíbe la inferencia en el extranjero, o un fabricante que integra un modelo en una línea de productos durante cinco años. No es un argumento para una startup con tráfico irregular y sin equipo de operaciones: 610 GB de pesos, ocho GPU Blackwell y una caché KV de 1M de tokens constituyen un proyecto de capital, y la tarifa de $0.70 del servicio alojado resulta más barata que el capital durante muchísimo tiempo.

La licencia es la parte que la gente se salta. Es una MIT modificada con una cláusula que importa: ejecutar los pesos como una oferta de modelo como servicio requiere una licencia comercial separada de Mistral. Lee la definición con atención, eso sí: excluye productos integrados para usuarios finales y «el mero reenvío de solicitudes a modelos alojados por terceros», de modo que una pasarela que dirige tráfico hacia inferencia alojada por Mistral queda exceptuada, mientras que una empresa que monta su propia granja de inferencia y revende el acceso no lo está. Si tu plan es «descargarlo y convertirte en proveedor», lee la cláusula antes del presupuesto de hardware.

Donde cada uno es en realidad la respuesta correcta

• Programación agéntica, uso de herramientas a largo horizonte, trabajo en repositorios grandes: GPT-6.1 Sol. La brecha en el índice es máxima justo aquí, y el sobreprecio es el coste de acertar.

• Extracción y clasificación de gran volumen con salida breve — Mistral Large 4 con entrada a $0.70. El límite de razonamiento nunca se activa, por lo que la brecha del Índice nunca aplica.

• Despliegue regulado y sujeto a la jurisdicción — Mistral Large 4, y no porque sea mejor. GPT-6.1 Sol no puede autoalojarse a ningún precio, lo que cierra la comparación.

• Asistentes interactivos en los que el primer token es el producto: Mistral Large 4 prioriza la velocidad, a menos que transmitas el razonamiento en streaming y puedas absorber la espera.

• Herramientas de seguridad defensiva — Mistral Large 4, gracias a una tasa de rechazo del 96,6 % reportada por el proveedor para solicitudes cibernéticas maliciosas y a un conjunto de benchmarks de ciberseguridad en torno al cual Mistral organizó su lanzamiento. Esas cifras son de Mistral, no de un laboratorio independiente, y deben tratarse como afirmaciones hasta que alguien las reproduzca.

• Cualquier cosa en la que la respuesta deba ser correcta y el presupuesto de latencia sea generoso — GPT-6.1 Sol. Veintinueve puntos no es un error de redondeo.

Si vas a ejecutar ambos

Los entornos mixtos son el resultado habitual de una comparación como esta, y la pregunta operativa pasa a ser cómo dos modelos muy distintos conviven bajo una sola factura. GPT-6.1 Sol está en OrcaRouter a exactamente el precio de lista de OpenAI — $2.00 y $10.00 por millón de tokens, con el tramo de más de 272K a $4.00 y $15.00 — enrutado con 0 % de margen, así que la tarifa que ves es la que cobra OpenAI. Mistral Large 4 no está en nuestro catálogo: 214 modelos, sin endpoint de Mistral, y si quieres llamarlo acudes a la propia API de Mistral o a tu propio despliegue de vLLM. Lo que la plataforma sí incluye, para la mitad alojada, es el DSL de enrutamiento —apunta una carga de trabajo a un modelo y muévela sin modificar código— y la conmutación por error automática, que es lo que hace que probar un modelo nuevo en una ruta de producción sea viable. Conecta el endpoint autoalojado bajo el mismo patrón y las dos mitades de esta comparación dejan de ser una decisión que tengas que tomar una sola vez.

Dos preguntas, no una

Las páginas de comparación te dirán que GPT-6.1 Sol gana y, en el único instrumento independiente que ambos modelos comparten, lo hace: 55 frente a 26, con un 62 % menos por tarea completada y un poco más de la mitad de la velocidad de salida. Esa es la respuesta correcta a «qué modelo es mejor», y si esa fuera la única pregunta, el mercado habría resuelto esto en septiembre.

La pregunta que abrió esta mañana es distinta: qué modelo podrás seguir ejecutando dentro de tres años, en hardware que controlas, bajo una licencia que hayas leído. Para muchísimos equipos, la respuesta seguirá siendo «ninguno, alquilamos» — y entonces GPT-6.1 Sol es el mejor alquiler. Para aquellos cuya limitación es la propiedad y no la capacidad, el modelo que obtiene 26 dejó de ser hoy un compromiso y se convirtió en la única opción sobre la mesa. Ambas respuestas pueden ser correctas, por eso el trabajo interesante no es elegir un ganador, sino decidir qué pregunta se está haciendo realmente tu organización.