Les poids sont disponibles et tiennent sur huit Blackwells : dans les coulisses de la sortie NVFP4 au jour zéro de Mistral Large 4

Tous les guides d'auto-hébergement publiés ces dernières semaines vous répètent les mêmes trois choses à propos de Mistral Large 4 : le fichier de licence renvoie un 404, aucun checkpoint quantifié n'existe, et toute configuration que vous écrivez n'est qu'une projection empruntée au modèle précédent. En ce matin du 29 octobre 2026, ces trois affirmations sont fausses. La licence est bien dans le dépôt — 2 632 octets — et la famille de checkpoints existe bel et bien : mistralai/Mistral-Large-4-1T-A52B avec 54 shards FP8 et 1 060,6 Go, plus un frère NVFP4 à 32 shards et 610,1 Go. La note « day-zero » de NVIDIA, celle qui félicite l'équipe Mistral AI et mentionne la prise en charge NVFP4 sur Hugging Face dans la même phrase, est la version la plus courte possible de cette histoire. La version utile est la plus longue : ce que la recette publiée suppose réellement, ce qu'il est advenu du prix pendant que personne ne regardait, et laquelle des recommandations d'auto-hébergement de mardi est désormais activement trompeuse. Si vous voulez comparer ce qui est routable aujourd'hui plutôt que ce qui est téléchargeable, le catalogue de modèles OrcaRouter répertorie tous les modèles que nous servons, leur fenêtre de contexte et leur prix par token, avec un basculement automatique configuré par route.

Commençons par les dates, car c’est la partie sur laquelle la plupart des articles se trompent dans les deux sens. Mistral Large 4 a été annoncé le 6 octobre 2026 sous forme d’aperçu API — un modèle à mélange d’experts de 1 050 milliards de paramètres, dont 49 milliards de paramètres actifs par token, ou 52 milliards une fois les couches d’embeddings et de sortie comptées, avec un encodeur visuel de 1,6 milliard de paramètres et une fenêtre de contexte de 1 million de tokens, au tarif de 1,36 $ par million de tokens d’entrée contre 4,18 $ par million de tokens de sortie. Les poids ouverts ont été promis avant la fin octobre. Ils sont arrivés à 14 h 51 UTC le 29 octobre, soit environ deux jours après la date du 27 octobre sur laquelle les rapports de presse s’étaient arrêtés. Cet écart a son importance, car une grande partie des écrits sur ce modèle a été rédigée pendant cet intervalle.

Qu'y a-t-il réellement sur le Hub ce matin ?

Les métadonnées du dépôt sont plus informatives que le texte de l'annonce, donc les voici directement :

• Checkpoint principal — mistralai/Mistral-Large-4-1T-A52B, 54 shards safetensors, 1 060,6 Go sur disque, étiqueté fp8, dépôt créé le 30 septembre 2026, poids écrits pour la dernière fois le 29 octobre à 14:51 UTC, sans restriction d’accès.

• Version quantifiée apparentée — mistralai/Mistral-Large-4-1T-A52B-NVFP4, 32 fragments, 610,1 Go, dépôt créé le 15 octobre 2026 et mis à jour aujourd'hui à 14:11 UTC — quarante minutes avant la fin du dépôt parent.

• Licence — la Mistral Ecosystem Open-Weight License, que Mistral décrit comme une licence MIT modifiée, sans seuil de revenus associé.

• Architecture, d’après params.json — 128 experts avec quatre experts routés par token plus un expert partagé, 72 couches, une taille cachée de 6 144, une tour de vision de 30 couches acceptant des images jusqu’à 1 540 pixels, et un partage de KV sur la plupart des couches.

• Les chiffres qui ne concordent pas — la fiche modèle NVFP4 recense 39 langues ; l’annonce revendique 160+. La fiche compte 49 milliards de paramètres actifs par token ; la documentation de l’API et le tableau du fournisseur lui-même indiquent 52 milliards, soit le même chiffre en ajoutant les embeddings et les couches de sortie. Le billet de Mistral attribue 3 800 GPU Grace Blackwell à l’entraînement ; plusieurs médias ont arrondi à 4 000. Rien de tout cela n’est fatal, et chaque divergence vous dit quel document a été écrit par quelle équipe.

Le nombre 610 GB correspond à la version publiée.

Un modèle de 1,05 billion de paramètres ne se télécharge pas d’une manière que quiconque décrirait avec désinvolture. Le checkpoint FP8 pèse 1 060,6 Go — confortablement au-delà d’un téraoctet de poids, avant même l’existence du moindre token de cache KV, de la moindre activation ou fragmentation. Sur un nœud Blackwell à huit GPU, il tient avec environ 400 Go de marge. Sur huit H200, il tient avec presque aucune marge. Le checkpoint NVFP4 le réduit à 610,1 Go, et l’économie n’est pas cosmétique : c’est la différence entre un nœud entièrement occupé par les poids et un nœud auquel il reste de la place pour le contexte de 1 M tokens que le modèle annonce.

Le schéma de quantification est également plus précis que « 4 bits ». Selon la fiche technique, les poids du mélange d’experts sont en NVFP4 tandis que les couches linéaires restent en FP8, et la recette vLLM exige un cache KV FP8 sur les couches MLA. Il s’agit d’une pile de service à précision mixte, et non d’un abaissement généralisé de la précision, et elle cible spécifiquement Blackwell — les puces citées sont B200, B300, GB200 et GB300.

Une conséquence mérite d'être soulignée pour quiconque envisage un achat : la recette officielle demande toujours huit GPU. vLLM est publié avec un parallélisme tensoriel de 8 ; SGLang avec tp-size 4. La quantification n'est pas ici avant tout un moyen de réduire le nombre de nœuds. C'est un moyen de laisser au nœud suffisamment de mémoire pour servir réellement un contexte long, et les paramètres de service publiés en sont la preuve.

La recette, option par option

Ce qui distingue cette publication de la plupart des versions de modèles à poids ouverts, c’est que le fournisseur a fourni des instructions de déploiement plutôt que de les laisser à la communauté. La procédure vLLM, telle que publiée :

• Image — vllm/vllm-openai:mistral-large-4

• Parallélisme — --tensor-parallel-size 8

• Cache — --kv-cache-dtype fp8_ds_mla, avec --gpu-memory-utilization 0.85

• Parseurs — --tool-call-parser mistral, --reasoning-parser mistral, --enable-auto-tool-choice

• Spéculation facultative — --speculative-config '{"method": "dspark", "num_speculative_tokens": 3}'

Le chemin SGLang diffère à des égards qui méritent d’être relus deux fois :

• Image — lmsysorg/sglang:mistral-large-4, avec --tp-size 4 et --mem-fraction-static 0.85

• Spéculation — --speculative-algorithm DSPARK, activé par défaut dans la commande publiée

• Limites de service — --max-running-requests 64, avec les parseurs de raisonnement et d’outils tous deux définis sur auto

Trois choses que les drapeaux vous révèlent et que l’annonce ne dit pas

Le premier point, c’est que DSpark n’est pas un modèle séparé. Le fichier de configuration décrit trois couches de prédiction multi-jetons avec une petite tête de brouillon récurrente — un rang de Markov de 512 — intégrée au checkpoint lui-même. Le décodage spéculatif consiste normalement à exécuter un second modèle, plus petit, à côté du gros modèle, en payant pour sa mémoire. Ici, la tête de brouillon est déjà comprise dans les 610 GB, et c’est pourquoi l’indicateur spéculatif est une courte chaîne de configuration plutôt qu’un second déploiement.

Le deuxième point, c’est que la pile d’attention raconte une histoire de compression. La configuration comporte un indexeur creux avec un top-k de 2 048 sur 32 têtes, un rang LoRA KV de 512, et un partage KV sur la plupart des 72 couches — le genre de disposition devenue standard dans les modèles de la lignée DeepSeek. Le contexte de 1 M est accessible parce que la mémoire d’attention est partagée de façon agressive et que le cache KV est en FP8, et non parce que le modèle dispose d’un téraoctet de cache à dépenser.

Le troisième point est arithmétique. Le bloc YaRN publié étend une fenêtre RoPE native de 512 tokens d'un facteur de 2 048, ce qui donne par multiplication exactement 1 048 576 — la longueur de contexte annoncée. Quelle que soit l'allure du calendrier d'entraînement, la configuration que vous téléchargez atteint 1 M de tokens par extrapolation, et cela vaut la peine de le savoir avant de lui soumettre un document de 900 000 tokens et de supposer que le modèle a déjà vu cette forme auparavant.

Le catalogue de prix a bougé pendant que les guides étaient en cours de rédaction.

La documentation de Mistral indique le tarif actuel à 0,70 $ par million de tokens d'entrée, 0,07 $ par million d'entrée mise en cache et 2,10 $ par million de sortie. L'annonce du 6 octobre citait un tarif catalogue de 1,36 $ et 4,18 $, avec une remise de préversion d'environ la moitié de ce montant. Lisez les deux documents ensemble : la publication des poids ouverts n'a pas seulement livré des fichiers — elle a fait baisser le prix catalogue permanent jusqu'à environ le niveau auquel la préversion se louait. Pour quiconque établit son budget à partir de l'annonce d'octobre, la nouvelle grille tarifaire correspond environ à la moitié du chiffre qu'il avait noté.

L’image indépendante est moins flatteuse que la réduction de prix. Artificial Analysis, sur son Intelligence Index actuel — la série v5 reconstruite le 27 octobre —, attribue à Mistral Large 4 un score de 26, note qu’il en coûte 2,06 $ pour accomplir une tâche de l’Index et mesure 161,3 jetons de sortie par seconde avec 1,42 seconde jusqu’au premier jeton. La vitesse est réellement bonne : 161 jetons par seconde représentent plus du double de la médiane de l’ensemble de comparaison. Le coût par tâche ne l’est pas : à 2,06 $, il se situe dans le quart inférieur de sa catégorie, car un modèle qui raisonne longuement dépense l’argent en jetons plutôt qu’en grille tarifaire.

Les propres chiffres de Mistral, et celui qu'il n'a pas publié

Chaque benchmark présenté dans le post de publication de Mistral est un résultat de Mistral, ce qu’il convient de préciser avant d’en citer un seul. Terminal-Bench 4.0 est annoncé à 41 %, soit treize points au-dessus de la preview et, selon le post, une avance sur les modèles à poids ouverts ; FrontierCode 2.0 à 19,7 % ; l’AA Coding Agent Index à 48 %, décrit comme pratiquement à égalité avec GLM-5.3 ; BrowseComp à 84,5 %, contre 75 % pour le checkpoint supervisé de la preview ; FinWorkBench à 73,3 %, derrière les 77,3 % de Kimi K3 ; et un taux de refus moyen de 96,6 % sur les requêtes cyber malveillantes, le chiffre autour duquel la publication est réellement organisée. Certains proviennent de harnais tiers — FrontierCode de Cognition, le Coding Agent Index d’Artificial Analysis, les préférences humaines de Surge Code — mais c’est Mistral qui les a exécutés et qui les a rapportés. Aucun n’avait été reproduit publiquement au moment de la rédaction.

Le chiffre qui manque est celui dont un auto-hébergeur a le plus besoin : la qualité de NVFP4 face au checkpoint FP8 sur la même évaluation. La fiche présente la quantification comme offrant une réduction de mémoire « avec des performances similaires », ce qui est une affirmation, pas une mesure. Tant que personne ne publie une exécution à conditions identiques, la position honnête est que le checkpoint de 610 GB est celui que l’on peut faire tenir, et le checkpoint de 1,060.6 GB est celui qui dispose d’une traçabilité documentaire.

Confrontez le tableau des fournisseurs aux mêmes benchmarks que ceux exécutés par Artificial Analysis, et la donne change. La ligne actuelle d’AA pour Mistral Large 4 — API hébergée, effort de raisonnement élevé — situe Terminal-Bench 4.0 à 25 %, seize points en dessous des 41 % de l’article d’annonce, et FrontierCode 2.0 à 15 % contre les 19,7 % cités par Mistral. Les deux sont des bancs d’évaluation que Mistral cite elle-même. L’explication probable est la configuration : les chiffres de l’annonce peuvent provenir d’un réglage de raisonnement spécifique ou d’une tranche d’évaluation particulière, et AA mesure ce que renvoie l’API publique. L’explication inacceptable est celle que la plupart des articles ont retenue — afficher les deux chiffres comme s’ils mesuraient la même chose.

La clause de licence qui détermine qui peut le servir

La licence est assez courte pour être lue d'une traite, et la clause qui compte est celle sur le modèle en tant que service. Exploiter un service hébergé sur les poids du modèle exige une licence commerciale distincte de Mistral. Mais la définition du modèle en tant que service exclut les produits intégrés destinés aux utilisateurs finaux et, séparément, « le simple relais de requêtes vers des modèles hébergés par des tiers ». Cette exception est plus étroite qu'il n'y paraît au premier abord : elle ne permet pas de déployer sa propre inférence pour la revendre, et elle permet à une passerelle de transmettre les requêtes à l'inférence hébergée par Mistral sans devenir licencié. Savoir si cette lecture tiendra en cas de litige est une question pour les juristes de Mistral, pas pour ce blog.

Ce qui nous amène à la partie délicate. OrcaRouter ne répertorie pas Mistral Large 4 — notre catalogue de 214 modèles ne contient aucun point de terminaison Mistral — donc rien dans cette version n’est routable ici aujourd’hui, et quiconque affirme le contraire vous raconte des histoires. Ce que le catalogue propose, en revanche, c’est l’autre moitié d’un déploiement comme celui-ci : un DSL de routage qui peut maintenir une charge de travail sur un modèle et la basculer sans modification de code, un basculement automatique en cas de dégradation d’un point de terminaison, et une tarification répercutée à 0 % de marge, afin qu’un changement de tarif propre à un fournisseur arrive chez nous le jour même où il arrive chez lui. Les équipes qui téléchargent 610 Go et montent leur propre serveur vLLM conservent presque toujours une route hébergée derrière celui-ci pendant les premières semaines, et c’est la partie que nous pouvons réellement exploiter.

Qui devrait lancer le téléchargement ce soir ?

Si vous exploitez déjà huit GPU Blackwell, ou si vous avez une règle de résidence des données qu’aucun point de terminaison hébergé ne permet de respecter, le calcul a changé ce matin et il a changé en votre faveur : les poids existent, la licence existe, et le fournisseur vous a remis une commande de service testée plutôt qu’une suggestion. Récupérez d’abord le checkpoint NVFP4 — 610,1 Go, c’est une soirée supportable, et l’image vLLM est épinglée. Lancez votre propre évaluation face à l’API hébergée avant d’engager un chemin de production, car l’affirmation sur la quantification n’est pas mesurée et les benchmarks du fournisseur sont ceux du fournisseur.

Si vous ne faites pas tourner ce type de matériel, rien dans cette version n’est encore pour vous. Un modèle 1T avec 49 milliards de paramètres actifs par token ne se télécharge pas sur un ordinateur portable et ne constitue pas une expérience sur une seule carte, et le checkpoint FP8 fait un téraoctet. La nouvelle qui devrait vous parvenir, c’est la ligne de prix, pas la liste des fichiers : l’API hébergée démarre désormais à 0,70 $ et 2,10 $, soit environ la moitié de ce que l’annonce d’octobre vous laissait attendre, et c’est un changement dont vous pouvez profiter sans posséder le moindre GPU.

La question en suspens est la plus intéressante. Un modèle à un billion de paramètres qui tient dans 610 Go est la preuve que NVFP4 peut compresser un mélange d’experts à l’échelle des modèles de pointe sans en modifier la structure. Savoir s’il le compresse sans en changer les réponses, c’est ce que permettront de trancher les deux prochaines semaines d’exécutions indépendantes, et personne ne l’a encore publié — y compris ceux qui l’ont livré.