Andy Garcia · dev freelance
FRENES
Retour au blog
IA & Souveraineté

Mistral Large 4 est un modèle à poids ouverts que tu ne peux pas encore télécharger : ce qu'un CTO européen doit vérifier avant de lui envoyer un dossier client

7 octobre 2026 6 min de lecture

Le mardi 6 octobre, Mistral a publié une préversion publique de Mistral Large 4. Très officiellement, Mistral l'appelle « le Chonk ». C'est un modèle mixture-of-experts nativement multimodal, d'environ 1 000 milliards de paramètres, entraîné de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans les datacenters européens de Mistral, et la préversion est servie sur cette même infrastructure. Prix catalogue : 1,36 $ par million de tokens en entrée, 4,18 $ par million de tokens en sortie.

Le verdict de Simon Willison ce soir-là était juste. Ce n'est « certainement pas un modèle de classe Fable », mais Mistral est de retour à « peut-être environ 6 mois de retard sur la frontière ». Sur l'Artificial Analysis Intelligence Index, il obtient 38. Mistral Large 3, en décembre dernier, obtenait 9.

Je construis une LegalTech sur Claude. Nos utilisateurs téléversent des documents qu'ils ne montreraient pas à un concurrent. Un modèle européen, exploité par une entreprise européenne, avec des poids que je pourrais héberger moi-même, c'est presque l'idéal sur le papier. J'ai donc lu ce lancement comme une checklist d'achat, pas comme un classement. Cinq questions, cinq réponses à ce jour.

Les poids sont-ils ouverts ?

Pas encore. L'annonce dit : « Weights drop end of this month. » D'ici là, Mistral soumet le modèle à du red-teaming avec « des responsables de la cybersécurité, des partenaires vérifiés et des autorités étatiques, qui accéderont au même modèle avec une modération réduite et des capacités cyber étendues ». TechCrunch décrit l'accès public comme un « public guardrail endpoint », avec des poids attendus d'ici environ trois semaines, après les tests de sécurité. Artificial Analysis classe pour l'instant le modèle comme propriétaire.

Même la fiche technique bouge encore. Le billet de blog annonce 49 milliards de paramètres actifs. La fiche modèle de la documentation de Mistral indique 52 milliards actifs et 1 050 milliards au total, plus un encodeur de vision de 1,6 milliard de paramètres.

Sous quelle licence ?

C'est la question qui m'importe le plus, et personne ne peut y répondre pour l'instant. Sur la fiche modèle, les champs Weights et License affichent tous deux « Coming soon ». Le badge du catalogue dit « Open », sans aucune licence associée.

Le catalogue de Mistral montre lui-même pourquoi c'est important. Mistral Large 2.1, de novembre 2024, est listé sous la Mistral Research License. Mistral Large 3, de décembre 2025, sous Apache 2.0. Mistral Medium 3.5 porte une étiquette « Modified MIT ». Trois modèles, trois réponses différentes à la question qui compte : est-ce que ça peut tourner en usage commercial, sur nos propres serveurs, avec des données clients ?

Le contraste est arrivé la veille. Le 5 octobre, Reflection AI a annoncé Beam, un modèle à poids ouverts de 501 milliards de paramètres dont 23 milliards actifs, texte seulement. Reflection dit qu'il « fait avancer la frontière occidentale des poids ouverts » et le mesure face à GLM 5.2 et Qwen 3.8-Max ; TechCrunch l'a présenté comme un rival des modèles ouverts chinois. Le Monde a cadré le lancement de Mistral de la même façon, comme un modèle censé combler l'écart avec les meilleurs concurrents chinois. Les poids de Beam ne sont pas sortis non plus ; Reflection annonce plus tard ce mois-ci. Mais Reflection a nommé la licence dans son annonce : Apache 2.0. Pas Mistral.

« Auto-héberger » demande aussi un test de réalité. La colonne mémoire GPU de la fiche modèle indique N/A. Mon propre calcul : 1 050 milliards de paramètres en 16 bits, ça fait environ 2,1 To de poids, environ 525 Go en 4 bits, avant un seul token de contexte. C'est une décision de cluster, pas un serveur sous un bureau.

Où tourne-t-il vraiment ?

Le discours de Mistral, c'est la souveraineté. Le modèle « sera disponible dans plusieurs régions du monde, dont un déploiement européen que Mistral exploite de bout en bout, indépendamment des autres fournisseurs de services numériques et sous droit européen ».

La documentation ajoute les petits caractères. Le endpoint par défaut, api.mistral.ai, est global, et « Mistral ne s'engage pas sur un lieu d'inférence précis pour les requêtes envoyées à ce endpoint ». Le endpoint UE, api.eu.mistral.ai, est facturé à 1,1 fois le prix catalogue. Il ne sert ni les Agents, ni le Batch, ni l'API Files, l'appel de fonctions est le seul outil pris en charge, et les données de compte, comme les clés API, la facturation et les analyses d'usage, peuvent encore être traitées hors de la région. La rétention zéro des données existe sur les offres payantes, sur demande, et Mistral examine chaque demande.

Les 10 % sont désormais la norme. L'API d'Anthropic accepte deux valeurs d'inference_geo, « global » et « us », cette dernière à 1,1 fois ; il n'y a pas de valeur UE, et les endpoints régionaux d'Amazon Bedrock et de Google Cloud portent une prime de 10 %. OpenAI applique une majoration de 10 % sur ses endpoints de résidence des données. La différence de Mistral n'est pas le prix d'une région. C'est qui exploite le matériel et sous quel droit, ce qui est un argument juridique avant d'être un argument technique.

Est-ce moins cher ?

Au token, clairement. Claude Sonnet 5.5 et GPT-6.1 Sol sont tous deux listés à 2 $ en entrée et 10 $ en sortie. Claude Opus 5.5, c'est 4 $ et 20 $. La page de tarifs de la documentation de Mistral affiche actuellement Large 4 à un « Sale price » égal à la moitié du prix catalogue, 0,68 $ et 2,09 $.

À la tâche, non. Artificial Analysis rapporte que Large 4 a généré environ 200 millions de tokens en sortie pour faire tourner son Intelligence Index, contre une médiane de 81 millions, pour 1,13 $ par tâche. Sur le même index, Sonnet 5.5 en effort moyen obtient 40,8 pour 0,59 $ par tâche, avec environ 31 millions de tokens en sortie. GPT-6.1 Sol en effort faible obtient 42,1 pour 0,13 $. Ces chiffres utilisent les prix catalogue. Les soldes diviseraient à peu près par deux le chiffre de Mistral, ce qui le place au niveau de Sonnet 5.5 en effort moyen, une configuration qui obtient un meilleur score.

Le prix au token, c'est l'étiquette. Le coût par tâche accomplie, c'est la facture. Un modèle bavard peut avoir un prix de sortie inférieur de près de 60 % et coûter quand même plus cher.

Qu'est-ce que les graphiques ont laissé de côté ?

La page de lancement de Mistral comporte une vingtaine de graphiques de benchmarks. Je les ai passés en revue un par un.

Les graphiques de code comparent Large 4 uniquement à des modèles ouverts, et il n'en est pas en tête. Kimi K3 fait 68 contre 62 pour lui sur DeepSWE 1.1. GLM-5.3 fait 40 contre 28 sur Terminal-Bench 4.0. DeepSeek V4 Pro fait 66 contre 59 sur SWE-Atlas-QnA. Le texte nomme les deux modèles que son score de code combiné bat.

Les modèles fermés sont choisis avec soin. GPT-6 Astra, le modèle phare d'OpenAI à 10 $ et 50 $, apparaît sur sept graphiques. Claude Opus 5.5 apparaît une fois, sur l'Artificial Analysis Cyber Index, dessiné avec ses blocages de sécurité, puisque l'argument de Mistral là-dessus est que les modèles fermés refusent le travail de sécurité. Le précédent Claude Opus 5 apparaît deux fois, et bat Large 4 dans une évaluation humaine à l'aveugle sur le code, 4,22 à 3,74.

Le graphique le plus proche de mon métier est le benchmark Legal Agent de Harvey, exécuté par vals.ai : Large 4 à 15,8, GPT-6 Astra à 5,4, aucun modèle Claude. Le Legal Index d'Artificial Analysis, un composite plus large, inverse l'ordre : GPT-6 Astra entre 52,9 et 58,2 selon l'effort, Large 4 à 37,0, et Sonnet 5.5 en effort moyen à 43,7.

Ce qui n'apparaît nulle part : Claude Sonnet 5.5 et GPT-6.1 Sol, les deux modèles dont le prix est le plus proche, et le score de 38 à l'Intelligence Index. C'est un comportement normal de lancement. C'est aussi une information.

Ce que je fais lundi

Rien ne bouge en production. Trois choses vont sur la liste.

Premièrement, si tu testes Large 4 avec quoi que ce soit de sensible, envoie-le à api.eu.mistral.ai, appelle d'abord models.list là-bas pour confirmer que le modèle est servi dans cette région, et demande la rétention zéro des données avant le premier vrai document, pas après.

Deuxièmement, fais-le tourner sur ton propre jeu d'évaluation aux deux niveaux de raisonnement exposés par l'API, « none » et « high », et note le coût par tâche accomplie, tokens inclus. Artificial Analysis suggère déjà que ça te surprendra.

Troisièmement, traitez la licence comme une porte. L'auto-hébergement est la vraie raison pour laquelle un CTO européen choisirait ce modèle plutôt qu'une API américaine, et ce plan ne peut pas démarrer tant que le texte de la licence n'existe pas. J'ai mis un rappel au 31 octobre.

Si les poids arrivent sous une licence permissive et que le modèle tient la route sur nos documents, ce sera l'option européenne la plus intéressante pour des équipes comme la mienne. D'ici là, c'est une API prometteuse avec une adresse européenne.

Sources

Un projet du même genre ?

Je conçois et déploie des produits comme celui-ci. Parlons-en.

Discutons