Mistral a présenté Large 4, un modèle multimodal doté d’un billion de paramètres, activant 49,000 milliards lors de chaque exécution. La société le positionne comme sa nouvelle arme pour rivaliser dans les domaines de la programmation, des agents, de la science, de la finance et de la cybersécurité. Ce modèle est déjà accessible en aperçu via API, avec la publication de ses poids prévue pour fin octobre, permettant ainsi son déploiement en dehors de l’infrastructure de Mistral.

Les points clés de Mistral Large 4 en 30 secondes

• Large 4 atteint un milliard de paramètres totaux, avec 49 000 milliards actifs.
• Il est nativement multimodal et conçu pour traiter du code, des images, des outils et des flux d’agents.
• Mistral affirme surpasser d’autres modèles à poids ouverts en provenance des États-Unis et d’Europe dans ses comparatifs globaux.
• Il a été entraîné avec 3 800 GPU NVIDIA Grace Blackwell dans ses centres de données européens.
• L’API est disponible dès à présent, avec les poids qui seront publiés fin octobre.

Ce qui frappe le plus dans Large 4, ce n’est pas seulement son milliard de paramètres. Son architecture active 49 000 milliards lors de l’inférence, une différence qui permet à Mistral de présenter un modèle avec une capacité totale très élevée, sans que chaque requête doive parcourir les 1 000 000 milliards de paramètres.

Mistral le présente comme son modèle le plus grand et le plus puissant à ce jour. La société garantit que Large 4 rivalise avec les modèles à poids ouverts les plus performants du marché, dépassant toute autre création de ce type développée aux États-Unis ou en Europe dans ses comparaisons globales.

Il est utile de mettre cette déclaration en contexte : il s’agit de résultats communiqués par Mistral, et aucune évaluation indépendante complète du modèle n’a encore été réalisée pour confirmer ces affirmations. La publication des poids fin octobre sera le moment où chercheurs et développeurs pourront reproduire plus facilement des tests.

Un modèle souhaitant dépasser le simple chatbot

Large 4 est conçu pour un usage bien plus large que la simple génération de texte. Mistral met en avant ses capacités en programmation, en gestion de flux avec des agents, et en compréhension multimodale.

En programmation, le modèle obtient un score de 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA, et 28,3 % sur Terminal-Bench 4. Sa note combinée dans le Coding Agent Index atteint 49,8 %, dépassant DeepSeek V4 Pro 0813 et Qwen3.8 Max selon les comparatifs publiés par la société.

Mistral a également soumis Large 4 à une évaluation humaine à l’aveugle avec Surge AI. Les évaluateurs professionnels ont attribué une note de 3,74 sur 5, se classant second parmi cinq modèles, juste derrière Claude Opus 5 qui a obtenu 4,22.

L’approche basée sur les agents est aussi illustrée par le test AutomationBench, qui rassemble 657 processus métiers utilisant Gmail, Google Sheets, Slack et Salesforce. Large 4 y obtient un score de 59,9 %, selon les tests de Mistral.

La société l’a aussi évalué sur des tâches professionnelles de longue durée. Sur AA-Briefcase, il atteint 1 393 points d’Elo, un résultat que Mistral positionne au-dessus de DeepSeek V4 Pro.

La différence avec un chatbot traditionnel réside précisément ici. Large 4 est pensé pour recevoir un objectif, accéder à l’information, utiliser des outils et réaliser une tâche en plusieurs étapes. Il peut travailler avec des documents, feuilles de calcul et présentations, tout en répondant directement dans une conversation.

Un milliard de paramètres pour texte, code et images

La multimodalité constitue une autre composante essentielle de Large 4. Mistral affirme que le modèle a été conçu dès le départ pour traiter des images, documents, graphiques, photos et scènes complexes.

Parmi les cas présentés par la société figurent des plans d’ingénierie, des pièces mécaniques, des images satellitaires ou des PDF. La combinaison vision-agents permet, par exemple, d’inspecter une image, localiser un élément précis, zoomer sur une zone, et vérifier l’information avant de générer une réponse.

En matière d’ancrage visuel, Mistral souligne notamment le score de Dense 200, qui atteint 42 %, contre 41 % pour GPT-6 Astra dans leur benchmark interne.

Il s’agit d’un domaine où Mistral affirme dépasser même certains modèles propriétaires de frontière. Cependant, ces résultats doivent être considérés comme une comparaison spécifique dans une évaluation précise, et non comme une victoire globale dans toutes les capacités multimodales.

L’orientation vers la science est également une priorité. Mistral indique que Large 4 obtient des résultats de référence parmi les modèles à poids ouverts dans SciCode-Verified, un test mesurant la capacité à reproduire des flux scientifiques liés à la physique, aux mathématiques, à la science des matériaux ou à la biologie via du code.

Par exemple, la génération d’une simulation complète de Hartree-Fock, une tâche complexe en chimie computationnelle qui nécessite la coordination de plusieurs routines.

Cybersécurité : haute performance et autonomie accrue

Mistral met l’accent sur la cybersécurité. Large 4 figure parmi les cinq modèles obtenant la meilleure note globale selon l’Artificial Analysis Cyber Index, selon l’évaluation de la société.

Dans une évaluation visant à reproduire une vulnérabilité réelle dans un logiciel open source, puis à la corriger, il obtient un score de 82 %. Mistral affirme que c’est la meilleure performance enregistrée à ce jour. Sur Cybench, il résout 93 % des défis proposés.

Ce qui est notable est que certains modèles propriétaires peuvent refuser d’effectuer ce type de tâches pour des raisons de sécurité. Mistral insiste sur le fait que, pour les équipes de défense, pouvoir reproduire une vulnérabilité peut être essentiel pour la comprendre et la corriger.

Large 4 a aussi été utilisé en interne pour analyser des malwares, prioriser des vulnérabilités, ou générer des règles de détection. La société collabore avec des experts en cybersécurité, partenaires sélectionnés et autorités, en amont de la publication des poids.

La possibilité de déployer le modèle de façon autonome est également un avantage crucial. Selon Mistral, cette capacité offre une sécurité renforcée : une entreprise peut par exemple héberger le modèle sur sa propre infrastructure privée ou en cloud fermé, et définir ses règles d’accès sans dépendre d’un service tiers.

C’est en partie pour cette raison que Large 4 sera finalement un modèle à poids ouverts. Certes, cela ne signifie pas que tout le logiciel ou tous les composants seront open source, mais la disponibilité des poids permettra à chaque organisation de déployer le modèle dans son environnement.

3 800 GPU Grace Blackwell et formation en Europe

Mistral a entraîné Large 4 à partir de zéro en utilisant 3 800 GPU NVIDIA Grace Blackwell, hébergés dans ses centres de données européens. La version preview de l’API fonctionne également sur cette infrastructure.

Ce déploiement s’inscrit dans la stratégie de souveraineté technologique de la société. Mistral indique qu’elle proposera le modèle dans plusieurs régions, avec une gestion européenne directe, respectant la législation locale.

Le processus d’entraînement intègre également des données multilingues, provenant de plus de 160 langues, incluant tous les idiomes officiels de l’Union européenne.

L’infrastructure de formation utilise un apprentissage par renforcement à grande échelle. Mistral explique que sa plateforme permet de combiner dans une seule exécution des tâches de programmation, de science, de sécurité, de factualité et d’utilisation prolongée d’outils.

Avec environ 3 000 GPU dédiées, la société estime qu’une session d’entraînement peut générer environ 33 milliards de tokens par jour, dont environ 16 milliards de tokens de complétion exploitables après filtrage.

Mistral maintient que le modèle n’a pas encore atteint ses limites de performance. L’entraînement par apprentissage par renforcement continue, et la société anticipe des améliorations quand elle pourra augmenter la capacité de ses centres de données.

Les poids ouverts, la véritable étape

La version disponible actuellement n’est qu’un aperçu via API. La publication des poids est prévue pour fin octobre, accompagnée de détails supplémentaires sur l’architecture, des benchmarks complémentaires et la méthode de post-entraînement.

Ce lancement changera la donne en termes d’évaluation. Jusqu’à présent, une grande partie des résultats repose sur des tests réalisés ou communiqués par Mistral. Avec les poids, il sera possible d’évaluer concrètement comment Large 4 fonctionne sur différents matériels, d’analyser sa consommation et de le comparer dans des conditions identiques avec d’autres modèles open source.

Mistral souhaite également exploiter Large 4 comme base pour une nouvelle génération de modèles spécialisés, optimisés pour certains secteurs ou tâches professionnelles, en tirant parti du même processus d’entraînement et de personnalisation proposé à ses clients.

L’ambition est claire : un modèle à grande échelle, multimodal, orienté agents, avec des poids ouverts, déployable sous contrôle du client. Le chiffre du billion de paramètres reste un indicateur, mais pour les développeurs, les 49 milliards d’activés, le comportement dans les outils, la performance en code ou le coût réel de déploiement seront probablement plus déterminants.

Si Large 4 conserve une part significative des capacités annoncées une fois ses poids disponibles, Mistral disposera d’une proposition particulièrement attrayante pour les entreprises souhaitant accéder à des modèles avancés sans dépendre entièrement d’une API fermée.

Questions fréquentes

Qu’est-ce que Mistral Large 4 ?

C’est le nouveau modèle d’intelligence artificielle de Mistral, doté d’un milliard de paramètres totaux et de 49 milliards actifs. Il est multimodal, conçu pour la programmation, les agents, la science, le travail professionnel et la cybersécurité.

Quand les poids de Large 4 seront-ils disponibles ?

Mistral a annoncé la publication des poids pour fin octobre. Une version preview par API est accessible dès maintenant.

Combien de paramètres actifs possède Large 4 ?

Il comporte 1 billion de paramètres totaux, avec 49 milliards actifs lors de chaque exécution.

Où a été entraîné Large 4 ?

Mistral précise l’avoir entraîné de zéro dans ses centres européens, en utilisant 3 800 GPU NVIDIA Grace Blackwell.