Mistral Large 4 vs GPT-6 Sol : un prix de préversion face à une valeur par défaut déjà livrée

Sur le papier, ce n'est pas un combat serré. Mistral Large 4, le modèle phare à poids ouverts de Mistral comptant 1 050 milliards de paramètres, est facturé 0,68 $ par million de jetons en entrée et 2,09 $ par million de jetons en sortie. GPT-6 Sol, le palier haut de gamme au rapport coût-efficacité avantageux, est facturé 2,00 $ et 10,00 $ — environ trois fois plus en entrée et près de cinq fois plus en sortie, et son prix passe à 4,00 $ et 15,00 $ dès qu'une requête dépasse 272 000 jetons. Un mois de 100 millions de jetons avec une répartition entrée/sortie de 4:1 coûte environ 140 $ sur Mistral Large 4 et environ 480 $ sur GPT-6 Sol. Voilà tout l'argument, et il est solide, jusqu'à ce que vous lisiez la deuxième ligne de la documentation de Mistral elle-même : Mistral Large 4 est en aperçu public, et c'est le seul de ces deux modèles qui évolue encore.

Cette distinction est toute la comparaison. GPT-6 Sol est sorti le 22 septembre 2026 et est stable ; son comportement, sa grille tarifaire et ses scores indépendants sont fixés. Mistral Large 4 est arrivé le 6 octobre 2026 avec une API de préversion, une publication des poids promise « d'ici la fin du mois », et un entraînement par apprentissage par renforcement que Mistral dit toujours en cours. La version que vous appelez aujourd'hui n'est pas la version que vous aurez en novembre. La question intéressante n'est donc pas « lequel est le meilleur » — en matière d'intelligence mesurée, ils ne sont pas encore dans la même catégorie — mais « lequel a sa place dans votre stack, et à quelles conditions ».

Ce que chaque fournisseur a réellement livré

Mistral Large 4 est un modèle à mélange d'experts granulaire comptant 49 milliards de paramètres actifs sur 1,05 billion au total, ainsi qu'un encodeur visuel de 1,6 milliard de paramètres. Il prend en charge le texte et les images, offre une fenêtre de contexte d'environ un million de jetons et est entraîné de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans les propres centres de données européens de Mistral. Mistral le décrit comme son modèle le plus grand et le plus performant à ce jour et indique que les poids — publiés sous licence ouverte — arriveront avant fin octobre 2026, après une période de red teaming menée avec des partenaires en cybersécurité et des autorités étatiques. D'ici là, le seul moyen d'y accéder est l'API de préversion.

GPT-6 Sol est le niveau intermédiaire de la série GPT-6 d'OpenAI, en dessous du fleuron GPT-6 Astra et au-dessus du rapide GPT-6 Luna. Il accepte le texte, les images et les fichiers, dispose d'une fenêtre de contexte d'un peu plus d'un million de jetons, avec jusqu'à 128 000 jetons de sortie, et expose un effort de raisonnement configurable, l'appel de fonctions, des sorties structurées et un échantillonnage avec graine. Il s'agit d'une API fermée et modérée — l'inverse de l'argumentaire de Mistral, selon lequel une organisation peut à terme exécuter ML4 sur son propre matériel selon ses propres politiques.

• Nombre total de paramètres — Mistral Large 4 : 1,05 T (49 B actifs) vs GPT-6 Sol : non divulgué

• Fenêtre de contexte — environ 1 M de tokens chacune, Mistral Large 4 annoncée à 1 M, GPT-6 Sol à ~1,05 M

• Sortie maximale — GPT-6 Sol 128K tokens vs Mistral Large 4 pas encore documenté

• Modalité d’entrée — Mistral Large 4 texte et image vs GPT-6 Sol texte, image et fichier

• Prix d'entrée — Mistral Large 4 à 0,68 $ par million de tokens contre GPT-6 Sol à 2,00 $, passant à 4,00 $ au-delà de 272 K tokens

• Prix de sortie — Mistral Large 4 à 2,09 $ par million contre GPT-6 Sol à 10,00 $, passant à 15,00 $ au-delà du même seuil

• Entrée mise en cache — Mistral Large 4 0,07 $ par million contre GPT-6 Sol 0,20 $, passant à 0,40 $

• Poids — Mistral Large 4 sous licence ouverte, promise d’ici fin octobre 2026, contre GPT-6 Sol fermé

• Statut de sortie — Mistral Large 4 en aperçu public, le 6 octobre 2026 vs GPT-6 Sol en disponibilité générale, le 22 septembre 2026

Là où GPT-6 Sol est tout simplement en avance

Le post de lancement de Mistral est inhabituellement direct à ce sujet, ce qui évite à tout le monde de devoir deviner. Sur l'Artificial Analysis Intelligence Index — la révision v4.3.2, dix évaluations allant d'AA-Briefcase à CritPt — GPT-6 Sol obtient 47,6 et se situe autour de la 14e place sur les 147 modèles de ce classement. Mistral Large 4 n'a aucun score publié à l'Index. Ce qui existe est une ligne partielle sur Artificial Analysis, qui liste le modèle sous le nom « Mistral Large 4 Preview » et indique que sa position n'est pas communiquée publiquement. Sur les évaluations individuelles visibles, GPT-6 Sol mène clairement : 47,9 contre un seuil de Humanity's Last Exam qu'il franchit, alors que ML4 n'apparaît pas, 83,7 contre 80,3 sur le rappel de contexte long d'AA-LCR, 43,9 contre 28,3 sur Terminal-Bench 4.0.

Ces chiffres de Terminal-Bench méritent une mise en garde qui joue en sens inverse. Les 28,3 % de Mistral et les 59,4 % sur SWE-Atlas-QnA proviennent de chiffres qu'Artificial Analysis a évalués en privé avant le lancement d'un harnais d'évaluation, et Mistral précise explicitement qu'ils apparaîtront dans l'Artificial Analysis Coding Agent Index lorsque ce harnais sera disponible. Ils ne sont pas inventés par le fournisseur, mais ils ne sont pas non plus reproductibles par vous aujourd'hui. Considérez-les comme prometteurs et non vérifiés.

Là où Mistral publie des chiffres, plusieurs d'entre eux méritent d'être lus attentivement, car ils relèvent du type d'affirmation qu'un fournisseur avance lorsqu'il est confiant. Mistral rapporte que sur un test de l'Artificial Analysis Cyber Index — reproduire une vulnérabilité réelle dans un logiciel open source, puis la corriger — ML4 obtient 82 %, le score le plus élevé de tous les modèles, et qu'il résout 93 % des 40 défis de Cybench. Il rapporte aussi que les principaux modèles fermés, notamment Claude Opus 5.5 et GPT-6 Astra, obtiennent un score proche de zéro au même test de reproductibilité parce qu'ils refusent la tâche. Ces chiffres sont rapportés par le fournisseur et n'ont pas été reproduits de manière indépendante, mais le mécanisme sous-jacent n'a rien d'exotique : un modèle qui refuse davantage accomplit en réalité moins, et Mistral vend cet argument depuis son virage open-weights.

En matière de capacités générales, l'analyse honnête est que GPT-6 Sol est le meilleur modèle aujourd'hui, et que Mistral Large 4 est le moins cher. Si votre charge de travail consiste en une simple tâche de questions-réponses ou de codage, sans préférence pour l'auto-hébergement, les cinq dollars supplémentaires par million de tokens de sortie de GPT-6 Sol vous permettent d'obtenir un modèle dont le comportement ne changera pas sous vos pieds.

L'argument en faveur de l'aperçu, qui n'est pas qu'une question de prix

Trois choses font de Mistral Large 4 bien plus qu’une option à prix réduit, et aucune d’entre elles n’est le prix affiché.

Le premier est la souveraineté au sens littéral. ML4 a été entraîné dans des centres de données européens sur du matériel européen et pourra être servi dans une région européenne que Mistral exploite de bout en bout. Pour un acheteur soumis à réglementation, ce n’est pas un argument marketing ; c’est une exigence d’approvisionnement que GPT-6 Sol ne peut actuellement satisfaire à aucun prix. Mistral a levé 3 milliards d’euros lors d’une série D spécifiquement pour financer cela, le plus important tour de table en fonds propres jamais levé par une entreprise technologique européenne, et ce modèle est le premier jalon de cet effort.

Le second, ce sont les poids. Quand ils seront disponibles, une organisation qui dispose des GPU pourra exécuter ML4 sur site, sans fournisseur dans la boucle, ce qui modifie à la fois le comportement de refus et la question de la résidence des données. GPT-6 Sol restera un appel API quand cela se produira. Si votre feuille de route comprend une phase sur site, ML4 est le seul des deux à en avoir une.

Le troisième est la cadence. Mistral dit que le run RL derrière cet aperçu n’a pas saturé et qu’il s’attend à « de grandes et rapides améliorations dans les semaines et les mois à venir ». Quand un fournisseur livre un aperçu et déclare que la courbe grimpe encore, le prix qu’on vous annonce aujourd’hui est attaché à la pire version du modèle qui vous sera jamais facturée. Le prix de GPT-6 Sol est attaché à une capacité fixe.

Faire tourner les deux sans parier sur l’un ou l’autre

Le côté délicat d'un aperçu, c'est qu'on ne peut pas l'épingler. Si votre produit dépend du comportement actuel de ML4, une mise à jour la semaine prochaine constitue un incident de production. S'il dépend de GPT-6 Sol, vous payez un supplément fixe pour la stabilité. La configuration judicieuse consiste généralement à avoir les deux, derrière un seul point de terminaison, de sorte que la décision est une règle de routage et non une architecture.

C'est à cela que sert OrcaRouter. Les deux modèles sont accessibles derrière une seule API compatible OpenAI, avec 0 % de marge, ce qui compte plus que d'ordinaire ici : le tarif de préversion de Mistral est un tarif de lancement et va évoluer — à la hausse à la fin de la préversion, peut-être à la baisse lorsque les poids seront publiés et que la concurrence sur le modèle ouvert se fera sentir — et comme les prix catalogue des fournisseurs sont répercutés tels quels, une baisse de prix d'un fournisseur est effective de notre côté le jour même, plutôt qu'au moment où quelqu'un met à jour un tableau codé en dur. Le DSL de routage vous permet d'envoyer les tâches documentaires à long contexte vers le modèle le moins cher pour ce type de requête, et de conserver GPT-6 Sol comme solution de repli pour tout ce qui doit être stable. Le basculement automatique couvre le cas que suscite le plus une API en préversion : un point de terminaison occupé ou brièvement indisponible, ce qui est normal pour tout modèle durant son premier mois.

Lequel choisir

Choisissez GPT-6 Sol si la charge de travail est de production, que le comportement compte davantage que le prix unitaire et que vous n’avez pas besoin de faire tourner le modèle vous-même. Son score de 47,6 à l’Intelligence Index, son plafond de sortie de 128 K et ses lectures de cache à 0,20 $ en font une valeur par défaut plus sûre, et la révision tarifaire pour le contexte long à 272 000 tokens est facile à anticiper, car le seuil est publié.

Choisissez Mistral Large 4 si vous construisez quelque chose pour lequel l’une de ces trois affirmations est vraie : vous avez besoin d’un modèle déployé en Europe, vous aurez besoin de poids ouverts à terme, ou vous travaillez dans la recherche en sécurité où un refus est un échec — 82 % au test de reproduction et de correction contre quasiment zéro pour les alternatives fermées, c’est un véritable écart de capacités, que ce soit rapporté par le fournisseur ou non. Et acceptez que vous achetez un modèle en plein vol. Prévoyez que la surface d’API change, et ne codez pas en dur le prix de préversion dans une prévision pour le trimestre prochain.

Ce qu'il faut surveiller avant de s'engager dans un sens ou dans l'autre : la publication effective des poids à la fin du mois d'octobre, le moment où l'argument open-weights cesse d'être une promesse ; le premier score publié de l'Artificial Analysis Intelligence Index pour ML4, qui déterminera si l'écart de prix est une bonne affaire ou un rabais pour moins de performance ; et le Coding Agent Index, où les chiffres privés de Mistral sur Terminal-Bench seront soit corroborés, soit, discrètement, ne le seront pas.