Mistral Large 4 vs Claude Opus 5.5: la única cifra de comparación directa es contra la versión equivocada

El único enfrentamiento directo a ciegas que existe para Mistral Large 4 y Claude Opus 5.5 se midió contra la versión anterior de uno de ellos. Surge AI ocultó las identidades de los modelos e hizo que anotadores profesionales calificaran la salida de código en una escala del 1 al 5; Mistral Large 4 Preview quedó en segundo lugar de cinco con 3,74, por detrás de Claude Opus 5 con 4,22 y por delante de Kimi K3 con 3,59 y de GLM-5.3 con 3,60. Claude Opus 5.5 se lanzó el 22 de septiembre, así que lo más parecido a una comparación humana publicada para este emparejamiento es tres semanas más antiguo que el lanzamiento actual del oponente, y nadie lo ha vuelto a repetir. Todo lo demás es comparable y apunta en una sola dirección: en el Índice de Inteligencia de Artificial Analysis, Mistral Large 4 Preview registra 38,4 y Claude Opus 5.5 registra 58 —el primero de 216 modelos—, mientras que el costo de completar una sola tarea del índice es de 1,13 $ frente a 5,98 $.

Esos dos hechos constituyen toda la forma de la decisión. La brecha de capacidades es amplia y, en el caso de esta versión, más amplia de lo que era. La brecha de costos es de poco más de cinco veces, y no se movió cuando Anthropic redujo sus precios.

Qué es Claude Opus 5.5, en palabras de la propia Anthropic

Claude Opus 5.5 es el actual buque insignia de Anthropic, lanzado el 22 de septiembre de 2026 y posicionado para el trabajo agéntico de horizonte largo: sesiones de varios pasos, uso intensivo de herramientas y código. Su precio de lista es de 4 $ por millón de tokens de entrada y 20 $ por millón de salida, con lecturas de caché a 0,20 $ y escrituras de caché a 5 $; Anthropic describe esos precios como un 20 % por debajo de Opus 5 en entrada y salida, y un 60 % por debajo en lecturas de caché. Existe un modo Fast a 8 $ / 40 $ que, según la compañía, se ejecuta hasta 2,5 veces más rápido dentro de Claude Code y la Claude Platform. Está disponible en Amazon Web Services, Google Cloud y Microsoft Azure, con retención de datos cero, y Anthropic afirma que Claude Sonnet 5.5 y Claude Haiku 5.5 llegarán en las próximas semanas.

Dos detalles de esa página importan más que el resto. El primero es una restricción de migración más que una característica: Anthropic afirma que Claude Opus 5.5 ya no está disponible con el modo de pensamiento desactivado. Si tu pipeline actual llama a Opus 5 en modo sin pensamiento para turnos baratos, rápidos y deterministas, esa configuración no tiene un sucesor directo en este modelo. El segundo es la propia advertencia de Anthropic, impresa junto a sus puntuaciones, de que los márgenes de los benchmarks se han vuelto una guía menos fiable de las diferencias en el mundo real, lo cual es algo inusual que un proveedor escriba junto a una tabla que está ganando, y vale la pena tomarlo al pie de la letra cuando leas las cifras a continuación.

Las cifras reportadas por el proveedor en el anuncio de Anthropic son Terminal-Bench 4.0 con un 66.4%, FrontierCode v1.1 con un 54.4%, CursorBench 4.0 con un 57.8%, GDPval-AA v2.1 con 1,846 Elo, AutomationBench con un 40.0%, Humanity's Last Exam con un 67.7% con herramientas, Terminal-Bench-Science 0.1 con un 58.7% y OSWorld 2.1 con un 81.8% parcial. Todas ellas son ejecuciones propias de Anthropic, con las puntuaciones de los modelos de comparación tomadas de las páginas de los propios proveedores, y ninguna de ellas se ha reproducido de forma independiente para este emparejamiento ni para ningún otro.

Qué es Mistral Large 4, a fecha de 13 de octubre

Mistral Large 4 es una vista previa pública anunciada el 6 de octubre de 2026, revisión v26.10, y es el modelo más grande que Mistral AI ha lanzado. La compañía lo describe como un modelo de mezcla de expertos dispersa nativamente multimodal con 1,05 billones de parámetros totales y 52 mil millones activos, más un codificador de visión de 1,6 mil millones de parámetros, entrenado desde cero en 3.800 GPU NVIDIA Grace Blackwell en los propios centros de datos europeos de Mistral, con datos que abarcan más de 160 idiomas. Artificial Analysis registra el recuento de activos como 49 mil millones en lugar de 52 mil millones — una diferencia de tres mil millones en una dimensión, señalada en lugar de promediada. La propia ficha del modelo de Mistral indica una ventana de contexto de 1M de tokens; Artificial Analysis lee 524.288 en la configuración que prueba, y sus preguntas frecuentes dicen 520k, que es la diferencia entre un techo que un proveedor anuncia y una ventana que una implementación servida realmente te ofrece.

El precio es de $1,36 por millón de tokens de entrada, $0,14 de entrada en caché y $4,18 por millón de salida según la tarifa, con una promoción de lanzamiento que muestra esas mismas tres líneas tachadas a $0,68, $0,07 y $2,09. Las etiquetas de estado de la tarjeta dicen Vista previa pública, Abierto y v26.10 — y la segunda de ellas es la que hay que leer con atención. Mistral dice que los pesos se publicarán antes de que termine el mes, y la publicación de lanzamiento repite ese compromiso dos veces; lo que no hace es nombrar una licencia. Artificial Analysis sigue el sector de forma independiente y registra el nombre de la licencia como null, marca el modelo isOpenWeights: false y lo clasifica como propietario. Ahí nadie contradice a nadie. Una vista previa servida desde el propio clúster del proveedor, sin repositorio de checkpoints y sin texto de licencia, es un modelo invocable más que un lanzamiento de pesos abiertos, y la afirmación de pesos abiertos es un plan con una fecha límite asociada más que un enlace de descarga.

Las propias cifras de benchmark de Mistral, que en todos los casos son reportadas por el proveedor, son 61,7 % en DeepSWE v1.1, 59,4 % en SWE-Atlas-QnA, 28,3 % en Terminal-Bench 4.0 y un Coding Agent Index combinado de 49,8 %; 59,9 % en AutomationBench en 657 flujos de trabajo empresariales; 1.393 Elo en AA-Briefcase; 42 % en Dense 200 para grounding visual; y, en sus evaluaciones de ciberseguridad, 82 % en una prueba de reproducir y parchear que Mistral describe como la más alta de cualquier modelo, junto con 93 % en los 40 ejercicios de competición de Cybench. La empresa también encargó un estudio humano ciego y lo publicó, lo cual es una forma de evidencia más sólida que un benchmark autoejecutado y aun así un estudio cuya publicación controló.

Qué cambió el aumento de la versión 5.5 con respecto a esta decisión

Si has leído la página de Mistral Large 4 frente a Claude Opus 5 en este blog, aquí hay tres cosas nuevas, y solo una de ellas es la reducción de precio.

• La brecha de capacidad se ensanchó, no se estrechó. Claude Opus 5 obtuvo 50,8 en el Intelligence Index; Claude Opus 5.5 obtiene 58. Frente al 38,4 de Mistral Large 4 Preview, la distancia pasa de 12,4 puntos a 19,6. Una actualización de versión que añade siete puntos a la cima de la tabla mientras el retador se queda quieto hace que la senda de la frontera sea una compra más clara, no más turbia.

• La rebaja de precios no llegó a la factura. Anthropic recortó un 20% los precios de entrada y salida —de $5 / $25 a $4 / $20—, pero el costo de Artificial Analysis para completar una tarea del índice pasó a subir, de $5.86 para Claude Opus 5 a $5.98 para Claude Opus 5.5. Los tokens más baratos los gastó un modelo que usó más de ellos. Ese es el número más útil de esta página y vale la pena detenerse en él: los precios de lista son un insumo para tu factura, no una predicción de ella.

• Una configuración desapareció. El modo de pensamiento ya no se puede desactivar en Opus 5.5. Si comprabas Opus 5 en parte por una vía económica sin pensamiento, este modelo no reemplaza esa vía, y la decisión de reemplazo ahora implica dos modelos en lugar de un simple cambio de versión.

Lo que no cambió: el relato de la caché sigue favoreciendo a Anthropic para contexto repetido — 0,20 $ por millón en una lectura de caché frente a los 0,14 $ de tarifa de lista y los 0,07 $ promocionales de Mistral. En un bucle de agente de contexto largo con un prefijo estable, esa es la fila que más mueve la factura, y ambas cifras necesitan el mismo escrutinio que acaban de recibir los precios de titular.

Los dos modelos más verbosos del tablero

Artificial Analysis publica un recuento de tokens de salida para la ejecución del índice de cada modelo, y los dos modelos aquí son los extremos opuestos de ese recuento. Claude Opus 5.5 generó 260 millones de tokens de salida en esa ejecución. Mistral Large 4 Preview generó 200 millones. La mediana entre los modelos medidos es de 85 millones. Ambos gastan entre dos y tres veces lo que gasta un modelo típico para responder a las mismas preguntas, y solo uno de ellos cobra $4 y $20 por millón mientras lo hace.

La verbosidad no es un defecto, y tampoco es una señal de calidad. Es un multiplicador sobre un precio, y es la razón por la que la rebaja de precio de Opus se materializó sin llegar a reflejarse en el costo por tarea. Si estás presupuestando solo a partir de la lista de tarifas, presupuesta también el multiplicador: a $20 por millón de salida, un modelo que emite tres veces la mediana tiene una tarifa efectiva de salida más cercana a $60 por millón frente a un modelo que se comporta según la mediana, y 260 millones de tokens a lo largo de un conjunto de evaluaciones no es un error de redondeo.

El marcador

• Precio por millón de tokens, entrada / salida — Mistral Large 4 $1.36 / $4.18 de lista, $0.68 / $2.09 promocional, frente a Claude Opus 5.5 $4.00 / $20.00

• Entrada en caché — $0.14 de lista, $0.07 promocional frente a $0.20 por millón de lectura y $5.00 por millón de escritura

• Coste por tarea del Intelligence Index — 1,13 $ frente a 5,98 $, según Artificial Analysis

• Intelligence Index — 38,4, 65.º de 216 vs 58, 1.º de 216, según Artificial Analysis

• Tokens de salida en esa ejecución del índice — 200M frente a 260M, en comparación con una mediana de 85M

• Ventana de contexto — 1M indicado por Mistral, con 524,288 en la configuración probada, frente a 1M según la lectura de Artificial Analysis de Claude Opus 5.5, cuya página de anuncio no indica ninguna cifra al respecto

• Salida máxima — no publicada por ninguno de los dos proveedores

• Velocidad medida — no publicada para Mistral Large 4 Preview frente a 95,2 tokens de salida por segundo, con un modo Fast de $8 / $40 que, según Anthropic, alcanza hasta 2,5x

• Pesos y licencia — prometidos para finales de octubre con la licencia sin especificar, actualmente marcada como propietaria por Artificial Analysis, frente a cerrada

• Disponibilidad — la API de vista previa de Mistral y Mistral Studio, servidos en la infraestructura europea propia de Mistral, frente a AWS, Google Cloud, Azure y el catálogo de OrcaRouter

Cuándo Mistral Large 4 es la elección correcta

Elige Mistral Large 4 cuando el trabajo sea de gran volumen, esté bien especificado y sea barato de verificar. Clasificación, extracción, resumen a escala, generación de salidas estructuradas, revisión de código de primera pasada y la larga cola de tareas internas en las que una respuesta incorrecta cuesta un reintento en lugar de un incidente. A $1,13 por tarea indexada frente a $5,98, un pipeline que ejecuta un millón de tareas al mes no necesita un argumento sutil para justificar el modelo barato; necesita que el modelo barato sea lo bastante bueno, y en AutomationBench —la fila en la que se pide a un modelo que complete flujos de trabajo empresariales ordinarios— el 59,9% reportado por la propia Mistral es competitivo con la cifra que Anthropic reporta para Opus 5.5 en el mismo harness. Distintas ejecuciones, distintos proveedores, así que léelo como una señal más que como un resultado, pero es la fila más cercana a lo que un área de negocio realmente le pide a un modelo.

Mistral Large 4 también es el lado de este par que tiene una ruta creíble hacia el autodespliegue, y eso vale más que un punto de benchmark para algunos lectores. Una promesa de pesos para finales de octubre no es lo mismo que pesos, y una licencia sin nombre no es una licencia, así que esto es una razón para seguir de cerca en lugar de una razón para migrar hoy. Pero entre los dos modelos aquí presentes, es el único en el que un argumento de residencia de datos o de acceso en medio de un incidente puede terminar en «lo ejecutamos nosotros mismos». La historia europea de entrenamiento y servicio se sitúa en el mismo lado de esa balanza.

Cuándo Claude Opus 5.5 es la opción correcta

Elige Claude Opus 5.5 cuando la tarea es larga, los pasos dependen unos de otros y equivocarse sale caro. Terminal-Bench 4.0 es la línea divisoria más nítida de esta comparación —Anthropic reporta 66,4 % para Opus 5.5 frente al 28,3 % de Mistral para su propio modelo con el mismo harness—, y el trabajo en terminal es el proxy público más cercano a la programación agéntica, que es para lo que la mayoría de los equipos compra un modelo de frontera. Una diferencia de 19,6 puntos en el Intelligence Index y una brecha de casi 2,4x en Terminal-Bench, dicho de otro modo: no es una decisión reñida en el extremo difícil, y ningún argumento de precio la cierra si tu carga de trabajo vive ahí. Suma el contexto de 1M, los 95,2 tokens por segundo medidos frente a una cifra no publicada del otro lado, el modo Fast para rutas sensibles a la latencia y la disponibilidad en tres nubes principales con retención de datos cero, y el sobrecoste compra holgura operativa real.

La cuestión práctica es si necesitas todo el premium en cada llamada. La mayoría de los equipos que ejecutan un modelo de frontera a escala descubren que una minoría de solicitudes —las que tienen una ambigüedad genuina de varios pasos— consume la mayor parte de la capacidad, y que el resto no. Esa es una decisión de enrutamiento, no una decisión de modelo, y es el caso en el que ejecutar ambos es la respuesta real. Claude Opus 5.5 está en el catálogo de OrcaRouter al precio de lista de Anthropic con 0 % de recargo en el mismo endpoint compatible con OpenAI que más de 200 otros modelos, así que probar ambos cuesta una sola clave en lugar de un segundo contrato con un proveedor. Mistral Large 4 no está en nuestro catálogo hoy —se accede a él a través de la propia API de vista previa de Mistral y mediante varias plataformas de terceros— y eso se afirma como un hecho sobre nuestra lista, no como un anuncio de lanzamiento suave.

En una vista previa, la característica que justifica su inclusión es la conmutación por error. Enviar una porción del tráfico a un modelo en el que la licencia, los pesos y el contexto servido siguen siendo cuestiones abiertas significa que el modo de fallo útil es una redirección en lugar de una interrupción, y aprendes los modos de fallo reales del modelo con tus propios datos en lugar de con la tabla de clasificación de alguien.

El único dato que lo decide

Nadie ha comparado Mistral Large 4 y Claude Opus 5.5 cara a cara con configuraciones equivalentes en un harness con nombre — la única cifra humana a ciegas que existe es contra Claude Opus 5, y la versión contra la que estás eligiendo no es Claude Opus 5 —, así que la base honesta para tomar una decisión hoy es que el modelo barato cuesta una quinta parte por tarea completada y el caro está unos veinte puntos de índice y una brecha de casi 2,4x en Terminal-Bench por delante, a un precio de lista que Anthropic recortó sin recortar el coste por tarea.

Si una respuesta fallida en tu carga de trabajo cuesta menos de 4.6 reintentos, compra Mistral Large 4. Si cuesta más, compra Claude Opus 5.5 — y si todavía no puedes responder esa pregunta sobre tu propio tráfico, ejecuta ambos en un mismo endpoint y deja que un mes de solicitudes reales te la responda.