Mistral Large 4: o que é, quanto custa e a única linha ainda em branco no card da própria Mistral

Mistral Large 4 é o modelo generalista de ponta da Mistral AI e o topo da linha Large que Mistral Large 3 ocupava antes dele — um modelo de mistura de especialistas nativamente multimodal que a própria documentação da Mistral descreve como tendo 1,05 trilhão de parâmetros totais, com 52 bilhões ativos, um codificador de visão de 1,6 bilhão de parâmetros, uma janela de contexto de 1 milhão de tokens e um preço de tabela de US$ 1,36 por milhão de tokens de entrada contra US$ 4,18 por milhão de saída. O nome da API é mistral-large-4. O que não está nessa ficha é aquilo que boa parte dos leitores chega procurando: o selo de licença na própria página do modelo da Mistral diz "Open" e depois não nomeia nada, e não há repositório de checkpoint para baixar. Esta é a descrição do modelo conforme ele se encontra em 13 de outubro de 2026.

O enquadramento importa, por isso vem logo no início. A Mistral anunciou a pré-visualização pública do Mistral Large 4 em 6 de outubro de 2026, e este blog já traz essa notícia, além das nove páginas de comparação direta que dela decorrem. O que tem faltado é a página simples subjacente a elas. Essa lacuna é medida, não presumida: o nome puro atraiu 3.141 impressões e 68 cliques na nossa própria propriedade nos vinte e oito dias até 13 de outubro, distribuídos por cinco consultas, enquanto as linhas qualificadas abaixo dele — artificial analysis com 129 impressões, prévia com 122, benchmark com 84, ollama com 70 — são todas pequenas. As linhas comparativas, entretanto, convertem várias vezes melhor do que o termo puro, e é exatamente por isso que as páginas de comparação foram escritas primeiro. Esta é a página para o leitor que digitou o nome e queria saber o que é aquilo.

O nome, e o 4-0 que está em nossas próprias URLs

A Mistral escreve o modelo como Mistral Large 4. O seu post de lançamento oferece dois identificadores informais a par disso — "ML4" e "le Chonk" — e a sua documentação disponibiliza o cartão do modelo numa página acessível tanto em mistral-large-4 como em mistral-large-4-0. O distintivo no próprio cartão diz mistral-large-4, e o guia de seleção de modelos lista mistral-large-4 como o nome da API, pelo que a forma simples é a atual do fornecedor e o zero final é um alias legado trazido do link do dia do lançamento.

Isso merece uma frase de reconciliação porque cada página já publicada aqui usa a 4-0 forma — o texto de pré-visualização, a página de hospedagem e todas as nove comparações estão arquivados em mistral-large-4-0-*. Esses URLs resolvem para o mesmo modelo que esta página descreve. Esta página simplesmente adota a grafia do fornecedor para a entrada de referência, de modo que um leitor que chega aqui pelo nome simples encontra o modelo sob o nome que seu fabricante imprime atualmente.

Os três rótulos de status no cartão da Mistral valem a pena ser lidos em conjunto, porque eles são toda a situação do modelo em três palavras: Pré-visualização Pública, Aberto, e v26.10. O primeiro diz que a configuração de serviço ainda pode mudar. O segundo é a alegação de pesos abertos. O terceiro é a revisão, e é o único dos três que é simplesmente um fato.

A especificação, tal como a Mistral a enuncia

Tudo na lista abaixo é formulação da própria Mistral, extraída de seu model card, de seu guia de seleção de modelos e de seu post de lançamento. Quando um laboratório independente interpreta o mesmo número de forma diferente, essa leitura é indicada na linha, em vez de ser incluída na média.

• Parâmetros — 1,05 trilhão no total, com 52 bilhões de parâmetros ativos, em uma arquitetura de mistura de especialistas esparsa e granular. O post de lançamento arredonda o total para "1 trilhão de parâmetros"; a ficha do modelo apresenta o valor de 1,05 T. A Artificial Analysis registra a contagem de ativos como 49 bilhões, em vez de 52 bilhões, o que representa uma diferença de três bilhões na mesma dimensão.

• Codificador de visão — 1,6 bilhão de parâmetros, em um modelo que a Mistral descreve como nativamente multimodal, em vez de adaptado a imagens a posteriori.

• Modalidades — texto e imagem na entrada, texto na saída, com raciocínio incluído. O guia de seleção da Mistral classifica a saída como "raciocínio, texto", e a Artificial Analysis o registra como um modelo de raciocínio, com uma observação de que também pode existir uma variante sem raciocínio. O próprio cartão de produto do post de lançamento o chama de "MoE híbrido de instrução e raciocínio".

• Janela de contexto — 1M tokens na ficha da Mistral. A Artificial Analysis lê 524.288 tokens na configuração que testa, o que é a diferença entre um teto do fornecedor e uma janela efetivamente servida.

• Preço — $1,36 por milhão de tokens de entrada, $0,14 de entrada em cache, $4,18 por milhão de saída, conforme a página de preços publicada da Mistral. Essa página também traz uma promoção de lançamento mostrando as mesmas três linhas riscadas em $0,68, $0,07 e $2,09.

• Idiomas — mais de 160 idiomas nos dados de treinamento, incluindo todos os idiomas oficiais da União Europeia, segundo a própria Mistral.

• Licença — não nomeada. Mais sobre isso abaixo, porque é o espaço em branco mais crucial da página.

Licenciamento e pesos: o que esta versão realmente publica

O Mistral Large 3 foi lançado sob Apache 2.0. Seu card de modelo no Hugging Face traz a etiqueta de licença nos metadados, e seus pesos podem ser baixados em FP8, NVFP4 e BF16. Mistral Small 4 e os tamanhos Ministral 3 também são Apache 2.0, e Mistral Medium 3.5 está listado como Modified MIT. Nada disso se transfere. Uma licença é lida a partir do lançamento à sua frente, e no Mistral Large 4 o fornecedor ainda não registrou uma.

Três lugares nas próprias superfícies da Mistral mostram o espaço em branco, e um leitor pode verificar cada um deles em um navegador:

• O cartão de modelo em docs.mistral.ai traz um chip de licença que exibe a única palavra "Open", sem nenhum nome de licença associado.

• O guia de seleção de modelos — a tabela lado a lado que a Mistral publica para desenvolvedores escolherem entre seus modelos — tem uma coluna Licença, e todas as linhas vizinhas estão preenchidas: Apache 2.0 para o Mistral Small 4, Modified MIT para o Mistral Medium 3.5, Apache 2.0 para o Mistral Large 3. A célula Licença da linha do Mistral Large 4 está vazia.

• A aba de pesos no cartão do modelo exibe "Em breve".

A Artificial Analysis, que acompanha o mesmo campo de forma independente, registra o nome da licença e a URL da licença para o Mistral Large 4 como null, marca o modelo isOpenWeights: false, e o categoriza como proprietário. Esse sinalizador não é uma contradição do marketing da Mistral; é uma afirmação sobre o que existe hoje. Uma prévia servida a partir do cluster do próprio fornecedor, sem repositório e sem texto de licença, é um modelo chamável, e não um lançamento de pesos abertos.

Aquilo a que a Mistral se comprometeu é uma data: "Vamos disponibilizar os pesos até ao final do mês", nas próprias palavras do post de lançamento, a par de mais detalhes sobre a arquitetura, benchmarks adicionais e metodologia de pós-treinamento. Antes disso, a empresa diz que está a conduzir uma janela de red-teaming com parceiros verificados e autoridades nacionais. A conta da organização no Hugging Face, consultada a 13 de outubro, ainda não tem nada mais recente do que 8 de outubro, e nenhuma das duas entradas é um checkpoint da linha Large.

Portanto, a descrição precisa da alegação de pesos abertos hoje é que ela é um plano com um prazo atrelado, feito por um laboratório que já disponibilizou pesos Apache 2.0 nesse nível antes. Essa é uma posição mais forte do que uma promessa vaga e mais fraca do que um link para download. A distinção entre essas duas coisas é exatamente o motivo pelo qual esta seção existe.

Onde o Mistral Large 4 é executado, nas palavras da Mistral

A Mistral afirma que a API de pré-visualização está disponível no Mistral Studio e que o modelo está "disponível em várias regiões do mundo, incluindo uma implantação europeia que a Mistral opera de ponta a ponta, independentemente de outros fornecedores de serviços digitais e sob a legislação europeia". A empresa também afirma que a pré-visualização é servida na mesma infraestrutura em que o modelo foi treinado — 3.800 GPUs NVIDIA Grace Blackwell em seus próprios datacenters europeus — e que o modelo poderá ser executado em nuvem privada ou no local (on-premise) para as cargas de trabalho às quais se destina. Essas são as declarações do fornecedor sobre onde seu modelo é executado, atribuídas ao fornecedor e não a nós.

Separadamente e com clareza: O Mistral Large 4 não está no catálogo do OrcaRouter. Nossa lista ativa de modelos, consultada em 13 de outubro, disponibiliza 207 identificadores de modelos e nenhum deles é um modelo da família Mistral, sob mistral-large-4, mistral-large-4-0 ou qualquer outra grafia. Nenhuma rota está sendo reivindicada aqui, e nada neste parágrafo deve ser lido como tal.

Uma questão de implantação que esta página não responderá de novo é a listagem do Ollama. O Mistral Large 4 aparece nessa biblioteca como uma única tag de nuvem, e não como uma escada de tamanhos disponíveis para download, o que é uma história distinta, com seu próprio artigo — mistral-large-4-ollama-cloud-only — e um leitor que chegou querendo saber se pode baixar os pesos para uma máquina local deve ler aquela página, e não esta.

Os números do benchmark, e quem os executou

O post de lançamento da Mistral relata um conjunto denso de pontuações, e é incomumente explícito sobre quais delas a empresa não executou. No lado de codificação agêntica, ele lista 61,7% no DeepSWE v1.1, 59,4% no SWE-Atlas-QnA e 28,3% no Terminal-Bench 4.0, combinando em uma pontuação de 49,8% no Coding Agent Index que o post afirma colocar o modelo à frente do DeepSeek V4 Pro 0813 e do Qwen3.8 Max. Em fluxos de trabalho agênticos, ele relata 59,9% no AutomationBench em 657 fluxos de trabalho de negócios, e em trabalho de conhecimento de longo horizonte, ele relata 1.393 Elo no AA-Briefcase. Em suas avaliações cibernéticas, ele relata uma posição entre as cinco primeiras no Artificial Analysis Cyber Index, 82% em um teste de reproduzir-e-corrigir descrito como o mais alto de qualquer modelo, e 93% nos 40 exercícios de competição do Cybench. Em ancoragem multimodal, ele relata 42% no Dense 200 contra 41% para o GPT-6 Astra. Todos esses são números relatados pelo fornecedor; alguns são descritos no post como avaliados por um terceiro antes de esse harness se tornar público, o que é uma proveniência mais forte do que um número autoexecutado e ainda não um número publicado.

Os números independentes são mais escassos e mais úteis. O Artificial Analysis atribui ao Mistral Large 4 Preview uma pontuação de 38,4 no seu Intelligence Index v4.3, o que coloca o modelo acima da mediana da sua classe de comparação e em 65.º lugar entre 216 modelos nesse índice. A mesma página indica o custo de executar uma tarefa do Intelligence Index em US$ 1,13 e registra algo que o post de lançamento não menciona de forma alguma: o modelo gerou 200 milhões de tokens de saída durante a execução do índice, contra uma mediana de 85 milhões, ficando em 107.º lugar entre 114 em verbosidade. Um modelo acima da média em qualidade e muito acima da média em tokens gastos por resposta muda a aritmética de uma conta de um modo que as pontuações de destaque não mudam.

Há também uma avaliação cega no post de lançamento que vale a pena separar das demais, porque o método é diferente. A Surge AI realizou uma comparação humana cega sobre a qualidade de programação com as identidades dos modelos ocultas; anotadores profissionais avaliaram o Mistral Large 4 Preview com 3,74 numa escala de 1 a 5, segundo de cinco, à frente do Kimi K3 com 3,59 e do GLM-5.3 com 3,60 e atrás do Claude Opus 5 com 4,22. Um painel cego com um terceiro nomeado na outra ponta é uma classe de evidência diferente de uma pontuação escolhida pelo fornecedor, e é o único número no anúncio ao qual um leitor cético deveria dar mais peso.

O que mudou em relação ao Mistral Large 3, em três frases?

O Mistral Large 3 é um modelo esparso de mistura de especialistas com 675 bilhões de parâmetros e 41 bilhões de parâmetros ativos, uma janela de contexto de 256 mil, um codificador visual de 2,5 bilhões de parâmetros e pesos Apache 2.0 que você pode baixar hoje. O Mistral Large 4 eleva os totais para 1,05 trilhão, com 52 bilhões ativos segundo a ficha técnica do fornecedor, aumenta o contexto declarado para 1 milhão de tokens e adiciona raciocínio a um modelo que a Mistral descrevia anteriormente como multimodal apenas de instrução — o que é uma mudança de tipo, não apenas de escala. Ele também chega, por enquanto, sem a licença e o checkpoint que tornavam o Large 3 fácil de adotar.

A Artificial Analysis registra o Mistral Large 3 como obsoleto e aponta seu alvo de descontinuação para o Mistral Large 4, que é o sinal mais claro disponível de que se trata de gerações sucessivas do mesmo espaço, e não de opções paralelas. A própria página de preços da Mistral confirma: o Large 3 está a US$ 0,50 de entrada e US$ 1,50 de saída por milhão de tokens, e o Large 4 aparece listado acima dele, com o par promocional em vigor.

O conjunto de comparação, enquanto índice em vez de veredito

Já existem nove páginas de comparação direta para este modelo, e esta página deliberadamente não repete nenhuma delas. Para um leitor que está decidindo entre o Mistral Large 4 e outra opção, as páginas são 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 e -vs-qwen-3-8-max. A demanda medida está exatamente nessas páginas — mistral large 4 vs claude com 78 impressões e 11 cliques, vs opus 5.5 com 84 e 10 — e ambas convertem bem acima da taxa do termo isolado, o que é um argumento para manter a definição aqui e a adjudicação lá.

A dependência que vale a pena nomear é mistral-large-4-0-vs-glm-5-5, porque o GLM-5.5 é ele próprio uma página neste mesmo lote e os dois textos têm de concordar quanto a uma comparação, em vez de discutirem em direções opostas. Tudo o resto da lista é um alvo estável.

O que não está resolvido

Se os pesos chegam até o final de outubro e sob qual licença. E se o preço promocional sobrevive à janela de pré-visualização, já que a tabela de preços padrão e a tarifa de lançamento diferem exatamente pela metade nas três linhas. Ambas são verificáveis por um leitor sem perguntar a ninguém: a licença e o checkpoint aparecerão no Hugging Face ou não, e a tabela de preços ainda mostrará um número riscado ou não.

Até lá, a postura que este modelo convida a adotar é a que o seu próprio rótulo de estágio sugere. Chame-o pelo nome, meça-o em relação à sua própria carga de trabalho — incluindo o consumo de tokens, que é o número que o post de lançamento omite — e mantenha o caminho de produção em algo cujo comportamento não está programado para mudar. Um preview não é meramente um rótulo numa tabela de preços. Significa que o modelo, a licença e a fatura podem todos mudar ao mesmo tempo.

Na OrcaRouter, encaminhamos mais de 200 modelos por um único endpoint compatível com OpenAI ao preço de tabela do provedor, com 0% de markup repassado — portanto, uma mudança de preço do fornecedor é uma mudança de preço do nosso lado no mesmo dia, qualquer que seja o modelo afetado. O failover automático é a outra metade disso para qualquer coisa em fase de prévia: permite que uma fração de tráfego real encontre um modelo não comprovado enquanto um modelo consolidado mantém o restante, de modo que uma regressão seja contornada em vez de acionar alguém. Nenhuma dessas coisas é uma afirmação sobre o Mistral Large 4, que não atendemos. Elas são a forma da resposta para o próximo modelo, e para este, que é lançado antes de sua licença.

Nada disso é hipotético: as falhas de IA documentadas e os incidentes com agentes contra os quais esta referência foi escrita estão reunidos em o OrcaRouter AI Incident Archive , onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e marcação de contestação.