Mistral Large 4 : ce que c'est, ce que ça coûte, et la ligne encore en blanc sur la fiche de Mistral elle-même

Mistral Large 4 est le modèle généraliste phare de Mistral AI et le sommet de la gamme Large que Mistral Large 3 occupait avant lui — un modèle mixture-of-experts nativement multimodal dont la documentation de Mistral elle-même décrit 1,05 billion de paramètres au total avec 52 milliards actifs, un encodeur visuel de 1,6 milliard de paramètres, une fenêtre de contexte de 1 M de tokens, et un tarif de 1,36 $ par million de tokens d'entrée contre 4,18 $ par million de tokens de sortie. Le nom de l'API est mistral-large-4. Ce qui ne figure pas sur cette fiche, c'est ce qu'une large part des lecteurs viennent chercher : le badge de licence sur la page du modèle de Mistral lui-même affiche « Open » puis n'indique rien du tout, et il n'existe aucun dépôt de checkpoint à télécharger. Telle est la description du modèle en date du 13 octobre 2026.

Le cadrage compte, donc il passe en premier. Mistral a annoncé l'aperçu public de Mistral Large 4 le 6 octobre 2026, et ce blog contient déjà cet article d'actualité ainsi que les neuf pages comparatives qui en découlent. Ce qui manquait, c'est la page simple en dessous. Cet écart est mesuré plutôt que supposé : le nom seul a généré 3 141 impressions et 68 clics sur notre propre site au cours des vingt-huit jours précédant le 13 octobre, répartis sur cinq requêtes, tandis que les lignes qualifiées en dessous — artificial analysis à 129 impressions, aperçu à 122, analyse comparative à 84, ollama à 70 — sont toutes faibles. Les lignes comparatives, en revanche, convertissent plusieurs fois mieux que le terme seul, ce qui explique précisément pourquoi les pages de comparaison ont été rédigées en premier. Voici la page destinée au lecteur qui a saisi le nom et voulait savoir de quoi il s'agit.

Le nom, et le 4-0 qui se trouve dans nos propres URLs

Mistral désigne le modèle sous le nom de Mistral Large 4. Son billet de lancement propose, à côté de cela, deux appellations informelles — « ML4 » et « le Chonk » — et sa documentation sert la fiche du modèle depuis une page accessible à la fois sous mistral-large-4 et mistral-large-4-0. Le badge figurant sur la fiche elle-même indique mistral-large-4, et le guide de sélection des modèles liste mistral-large-4 comme nom d'API ; la forme simple est donc celle que l'éditeur utilise actuellement, et le zéro final est un alias hérité du lien du jour du lancement.

Cela mérite une phrase de réconciliation, car chaque page déjà publiée ici utilise la forme 4-0 — l’article de préversion, la page d’hébergement et les neuf comparaisons sont classés sous mistral-large-4-0-*. Ces URL renvoient au même modèle que cette page décrit. Cette page reprend simplement l’orthographe du fournisseur pour l’entrée de référence, si bien qu’un lecteur qui arrive ici à partir du nom seul découvre le modèle sous le nom que son fabricant imprime actuellement.

Les trois libellés de statut sur la fiche de Mistral méritent d'être lus ensemble, car ils résument toute la situation du modèle en trois mots : Aperçu public, Ouvert, et v26.10. Le premier indique que la configuration de service peut encore évoluer. Le deuxième est la revendication de poids ouverts. Le troisième est la révision, et c'est le seul des trois qui est simplement un fait.

La spécification, telle que Mistral la formule

Tout ce qui figure dans la liste ci-dessous reprend les termes mêmes de Mistral, issus de sa fiche de modèle, de son guide de sélection de modèle et de son article de lancement. Lorsqu’un laboratoire indépendant lit le même chiffre différemment, cette lecture est indiquée sur la ligne concernée plutôt que moyennée.

• Paramètres — 1,05 billion au total, dont 52 milliards de paramètres actifs, sur une architecture granulaire à mélange d’experts parcimonieux. Le post de lancement arrondit le total à « 1 000 milliards de paramètres » ; la fiche modèle donne le chiffre de 1,05 T. Artificial Analysis recense le nombre de paramètres actifs à 49 milliards plutôt qu’à 52 milliards, soit un écart de trois milliards sur la même dimension.

• Encodeur de vision — 1,6 milliard de paramètres, sur un modèle que Mistral décrit comme nativement multimodal plutôt qu’adapté aux images après coup.

• Modalités — entrée texte et image, sortie texte, avec raisonnement inclus. Le guide de sélection de Mistral classe la sortie comme « raisonnement, texte », et Artificial Analysis l'enregistre comme un modèle de raisonnement avec une note indiquant qu'une variante sans raisonnement pourrait également exister. La carte produit du billet de lancement le qualifie de « MoE hybride instruct-et-raisonnement ».

• Fenêtre de contexte — 1 M de tokens sur la fiche de Mistral. Artificial Analysis relève 524 288 tokens sur la configuration qu'il teste, ce qui illustre la différence entre un plafond annoncé par le fournisseur et une fenêtre réellement servie.

• Prix — 1,36 $ par million de jetons d’entrée, 0,14 $ pour l’entrée mise en cache, 4,18 $ par million de jetons de sortie, selon la page de tarification publiée de Mistral. Cette page présente également une promotion de lancement affichant les mêmes trois lignes barrées à 0,68 $, 0,07 $ et 2,09 $.

• Langues — plus de 160 langues dans les données d’entraînement, y compris toutes les langues officielles de l’Union européenne, selon Mistral lui-même.

• Licence — sans nom. Nous y reviendrons ci-dessous, car c'est la case vide la plus déterminante de la page.

Licences et poids : ce que cette version publie réellement

Mistral Large 3 est sorti sous Apache 2.0. Sa fiche du modèle sur Hugging Face porte l'étiquette de licence dans les métadonnées, et ses poids sont téléchargeables en FP8, NVFP4 et BF16. Mistral Small 4 et les tailles de Ministral 3 sont également sous Apache 2.0, et Mistral Medium 3.5 est répertorié comme Modified MIT. Rien de tout cela ne se transfère. Une licence se lit sur la version publiée qui se trouve devant vous, et pour Mistral Large 4, le fournisseur n'a pas encore mis de licence par écrit.

Trois endroits sur les propres interfaces de Mistral affichent le blanc, et un lecteur peut vérifier chacun d’eux dans un navigateur :

• La fiche modèle sur docs.mistral.ai comporte un badge de licence qui affiche uniquement le mot « Open », sans aucun nom de licence associé.

• Le guide de sélection de modèles — le tableau comparatif que Mistral publie à l’intention des développeurs qui choisissent entre ses modèles — comporte une colonne Licence, et chaque ligne voisine est renseignée : Apache 2.0 pour Mistral Small 4, MIT modifiée pour Mistral Medium 3.5, Apache 2.0 pour Mistral Large 3. La cellule Licence de la ligne Mistral Large 4 est vide.

• L'onglet Poids de la fiche du modèle indique « Bientôt disponible ».

Artificial Analysis, qui suit le même domaine de façon indépendante, consigne le nom et l'URL de la licence de Mistral Large 4 comme null, marque le modèle isOpenWeights: false, et le classe comme propriétaire. Cet indicateur n'est pas en contradiction avec le marketing de Mistral ; il s'agit d'un constat de ce qui existe aujourd'hui. Un aperçu servi depuis le cluster propre du fournisseur, sans dépôt ni texte de licence, est un modèle appelable plutôt qu'une publication à poids ouverts.

L’engagement de Mistral porte sur une date : « Nous publierons les poids d’ici la fin du mois », selon les mots mêmes de l’article de lancement, qui fournit également plus de détails sur l’architecture, des benchmarks supplémentaires et la méthodologie de post-entraînement. En amont, l’entreprise indique qu’elle mène une fenêtre de red teaming avec des partenaires sélectionnés et des autorités nationales. Le compte Hugging Face de l’organisation, consulté le 13 octobre, ne comporte toujours rien de plus récent que le 8 octobre, et aucune des deux entrées n’est un checkpoint de la gamme Large.

Donc, la description exacte de la revendication d'ouverture des poids aujourd'hui, c'est qu'il s'agit d'un plan assorti d'une échéance, émanant d'un laboratoire qui a déjà livré des poids sous Apache 2.0 à ce niveau. C'est une position plus forte qu'une promesse vague, et plus faible qu'un lien de téléchargement. La distinction entre ces deux choses est la raison même de l'existence de cette section.

Là où tourne Mistral Large 4, selon Mistral

Mistral affirme que l’API de prévisualisation est disponible sur Mistral Studio, et que le modèle est « disponible dans plusieurs régions du monde, y compris un déploiement européen que Mistral exploite de bout en bout, indépendamment d’autres fournisseurs de services numériques et en vertu du droit européen ». L’entreprise indique également que la prévisualisation est servie sur la même infrastructure que celle ayant servi à l’entraînement du modèle — 3 800 GPU NVIDIA Grace Blackwell dans ses propres centres de données européens — et que le modèle pourra s’exécuter sur cloud privé ou sur site pour les charges de travail auxquelles il est destiné. Il s’agit là des déclarations du fournisseur sur l’endroit où son modèle s’exécute, attribuées au fournisseur et non à nous.

Séparément et sans détour : Mistral Large 4 ne figure pas au catalogue d'OrcaRouter. Notre liste de modèles en direct, consultée le 13 octobre, recense 207 identifiants de modèles et aucun d'entre eux n'appartient à la famille Mistral, sous mistral-large-4, mistral-large-4-0 ou toute autre graphie. Aucune route n'est revendiquée ici, et rien dans ce paragraphe ne doit être interprété comme telle.

Une question de déploiement à laquelle cette page ne répondra pas de nouveau est celle de la fiche Ollama. Mistral Large 4 apparaît dans cette bibliothèque sous la forme d'un unique tag cloud plutôt que d'une échelle de tailles téléchargeables, ce qui constitue une histoire distincte avec son propre article — mistral-large-4-ollama-cloud-only — et un lecteur venu chercher à savoir s'il peut récupérer les poids sur une machine locale devrait lire cette page plutôt que celle-ci.

Les chiffres du benchmark, et qui les a exécutés

Le billet de lancement de Mistral rapporte un ensemble dense de scores, et il est inhabituellement explicite sur ceux que l’entreprise n’a pas exécutés. Du côté du codage agentique, il indique 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4.0, ce qui se combine en un score de 49,8 % au Coding Agent Index, dont le billet affirme qu’il place le modèle devant DeepSeek V4 Pro 0813 et Qwen3.8 Max. Pour les flux de travail agentiques, il rapporte 59,9 % sur AutomationBench sur 657 flux de travail métier, et pour le travail de connaissance à long horizon, il rapporte 1 393 Elo sur AA-Briefcase. Sur ses évaluations en cybersécurité, il rapporte une position parmi les cinq premiers à l’Artificial Analysis Cyber Index, 82 % à un test de reproduction et de correction décrit comme le plus élevé de tous les modèles, et 93 % aux 40 exercices de compétition de Cybench. Sur l’ancrage multimodal, il rapporte 42 % sur Dense 200 contre 41 % pour GPT-6 Astra. Tous ces chiffres sont rapportés par le fournisseur ; certains sont décrits dans le billet comme évalués par un tiers avant que ce harnais ne soit rendu public, ce qui constitue une provenance plus solide qu’un chiffre auto-exécuté, et toujours pas un chiffre publié.

Les chiffres indépendants sont plus rares et plus utiles. Artificial Analysis attribue à Mistral Large 4 Preview un score de 38,4 sur son Intelligence Index v4.3, ce qui place le modèle au-dessus de la médiane de sa classe de comparaison et au 65e rang sur 216 modèles dans cet indice. La même page fixe le coût d’exécution d’une tâche de l’Intelligence Index à 1,13 $, et consigne un élément que l’article de lancement ne mentionne pas du tout : le modèle a généré 200 millions de tokens de sortie pendant l’exécution de l’indice, contre une médiane de 85 millions, se classant 107e sur 114 pour la verbosité. Un modèle au-dessus de la moyenne en qualité et très au-dessus de la moyenne en tokens dépensés par réponse modifie l’arithmétique d’une facture, ce que les scores mis en avant ne font pas.

Il y a aussi une évaluation à l'aveugle dans l'article de lancement qui mérite d'être isolée du reste, car la méthode est différente. Surge AI a mené une comparaison humaine à l'aveugle sur la qualité du code, avec l'identité des modèles dissimulée ; des annotateurs professionnels ont attribué à Mistral Large 4 Preview une note de 3,74 sur une échelle de 1 à 5, le classant deuxième sur cinq, devant Kimi K3 à 3,59 et GLM-5.3 à 3,60, et derrière Claude Opus 5 à 4,22. Un panel à l'aveugle avec un tiers nommé à l'autre bout constitue une catégorie de preuve différente d'un score sélectionné par le fournisseur, et c'est le seul chiffre de l'annonce qu'un lecteur sceptique devrait pondérer le plus fortement.

Qu’est-ce qui a changé par rapport à Mistral Large 3, en trois phrases ?

Mistral Large 3 est un modèle de mélange d'experts clairsemé de 675 milliards de paramètres avec 41 milliards de paramètres actifs, une fenêtre de contexte de 256k, un encodeur visuel de 2,5 milliards de paramètres, et des poids Apache 2.0 que vous pouvez télécharger dès aujourd'hui. Mistral Large 4 porte le total à 1,05 billion avec 52 milliards d'actifs sur la fiche du fournisseur, élève le contexte annoncé à 1 million de tokens, et ajoute le raisonnement à un modèle que Mistral décrivait auparavant comme multimodal à instruction uniquement — ce qui est un changement de nature, pas seulement d'échelle. Il arrive également, pour l'instant, sans la licence et le checkpoint qui rendaient Large 3 simple à adopter.

Artificial Analysis répertorie Mistral Large 3 comme obsolète et désigne Mistral Large 4 comme cible de sa dépréciation, ce qui est le signal le plus clair dont on dispose pour dire qu’il s’agit de générations successives d’un même créneau plutôt que d’options parallèles. La page de tarification de Mistral elle-même le confirme : Large 3 est à 0,50 $ en entrée et 1,50 $ en sortie par million de jetons, et Large 4 est listé au-dessus, avec la paire promotionnelle en place.

L'ensemble de comparaison, comme un index plutôt qu'un verdict

Neuf pages de face-à-face existent déjà pour ce modèle, et cette page n'en rejoue délibérément aucune. Pour un lecteur qui doit choisir entre Mistral Large 4 et autre chose, les pages sont mistral-large-4-0-vs-claude-opus-5, -vs-deepseek-v4-pro, -vs-gemini-3-1-pro, -vs-glm-5-5, -vs-gpt-6-sol, -vs-grok-4-7, -vs-kimi-k3, -vs-minimax-m3 et -vs-qwen-3-8-max. La demande mesurée se situe exactement dans ces pages — mistral large 4 vs claude avec 78 impressions et 11 clics, vs opus 5.5 avec 84 et 10 — et les deux convertissent bien au-dessus du taux du terme seul, ce qui plaide pour conserver la définition ici et l'arbitrage là-bas.

La dépendance qu'il vaut la peine de nommer est mistral-large-4-0-vs-glm-5-5, car GLM-5.5 est lui-même une page de ce même lot et les deux articles doivent s'accorder sur une comparaison plutôt que de se contredire. Tout le reste de la liste est une cible stable.

Qu'est-ce qui n'est pas réglé ?

Si les poids arrivent d'ici la fin octobre, et sous quelle licence. Et si la tarification promotionnelle survit à la fenêtre de prévisualisation, étant donné que la grille tarifaire standard et le tarif de lancement diffèrent exactement de moitié sur les trois lignes. Les deux sont vérifiables par un lecteur sans demander à personne : la licence et le checkpoint apparaîtront sur Hugging Face ou non, et la grille tarifaire affichera encore un chiffre barré ou non.

D’ici là, la posture que ce modèle invite à adopter est celle que suggère son propre libellé d’étape. Nommez-la, mesurez-la à l’aune de votre propre charge de travail — y compris la consommation de jetons, qui est le chiffre que la publication de lancement omet — et maintenez le chemin de production sur quelque chose dont le comportement n’est pas programmé pour changer. Une préversion n’est pas qu’une étiquette sur une grille tarifaire. Elle signifie que le modèle, la licence et la facture peuvent tous évoluer en même temps.

Chez OrcaRouter, nous acheminons plus de 200 modèles via un seul endpoint compatible OpenAI au prix catalogue du fournisseur, avec 0 % de marge appliquée — ainsi, un changement de prix d'un fournisseur est un changement de prix de notre côté le jour même, quel que soit le modèle concerné. Le basculement automatique est l'autre moitié de cette réponse pour tout ce qui est en phase de préversion : il permet à une fraction du trafic réel de rencontrer un modèle non éprouvé pendant qu'un modèle éprouvé prend en charge le reste, de sorte qu'une régression est contournée au lieu de déclencher une alerte pour quelqu'un. Ni l'un ni l'autre ne constitue une affirmation sur Mistral Large 4, que nous ne servons pas. Ils dessinent la forme de la réponse pour le prochain modèle, et pour celui-ci, qui sort avant sa licence.

Rien de tout cela n’est hypothétique : les défaillances documentées de l’IA et les incidents d’agents contre lesquels cette référence est rédigée sont recensés dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, son niveau de confiance et son indicateur de contestation.