Qu’est-ce que Mistral Large 4 (« Le Chonk ») ?
Mistral AI a ouvert le 6 octobre 2026 la préversion publique de Mistral Large 4 (ML4), accessible via l’API de Mistral Studio. En interne, le modèle est surnommé « le Chonk », un clin d’œil à sa taille impressionnante : environ 1 000 milliards de paramètres au total selon l’annonce officielle.
Ce lancement arrive quelques semaines après une levée de fonds en série D de 3 milliards d’euros, valorisant l’entreprise à environ 24 milliards d’euros post-money, présentée comme la plus grosse levée tech d’Europe. Un financement qui a directement servi à payer la facture de calcul de ce modèle, l’entraînement ayant lieu sur les GPU de Mistral.
Fondée en 2023 par d’anciens chercheurs de DeepMind et Meta AI, parmi lesquels Arthur Mensch, Guillaume Lample et Pierre Stock, la société française confirme sa volonté de rivaliser avec les géants américains et chinois de l’IA générative.
Architecture technique : Mixture of Experts, paramètres actifs et contexte
Le chiffre de 1 000 milliards de paramètres peut impressionner, mais il mérite d’être décomposé. Mistral Large 4 repose sur une architecture Mixture of Experts (MoE), c’est-à-dire un modèle composé de multiples « experts » spécialisés, dont seul un sous-ensemble est sollicité à chaque token généré.
Concrètement, le réseau de routage du modèle sélectionne dynamiquement les experts les plus pertinents pour chaque portion de texte à produire. Mistral indique que 49 milliards de paramètres sont activés lors de l’inférence, tandis que la documentation technique du modèle fait état de 52 milliards de paramètres actifs. Le reste du réseau reste « dormant » jusqu’à ce qu’une autre tâche en réclime l’activation.
Pourquoi ce design ? Parce qu’un MoE massif offre la capacité de connaissances d’un très grand modèle tout en ne mobilisant qu’une fraction de ses paramètres à chaque requête. Résultat : des coûts d’inférence et une consommation énergétique bien plus proches de ceux d’un modèle de 50 milliards de paramètres que d’un modèle dense de 1 000 milliards.
Côté modalités, Mistral Large 4 est nativement multimodal : il accepte du texte et des images en entrée, et produit du texte en sortie. Les données d’entraînement couvrent plus de 160 langues, dont toutes les langues officielles de l’Union européenne, un argument souverain fort pour les clients publics européens.
La fenêtre de contexte annoncée par Mistral est de 1 million de tokens, de quoi ingérer des corpus documentaires entiers. Il faut toutefois nuancer : Artificial Analysis mesure environ 524 000 tokens réellement servis sur la configuration testée, un écart entre annonce et mesure indépendante à garder en tête pour les cas d’usage exigeants.
Pour comparaison, son prédécesseur Mistral Large 3, dévoilé le 2 décembre 2025, comptait 675 milliards de paramètres dont 41 milliards actifs, entraîné sur 3 000 GPU H200 et publié sous licence Apache 2.0.
Entraînement : datacenters européens et GPU Nvidia Blackwell
Point différenciant fort face à la concurrence : l’entraînement a eu lieu intégralement en Europe, dans les datacenters de Mistral AI. Le modèle a été entraîné sur environ 3 800 GPU Nvidia Grace Blackwell selon VentureBeat et Euronews ; Nvidia évoque de son côté « près de 4 000 » GPU.
La durée totale d’entraînement est d’environ deux mois, un calendrier rendu possible par l’efficacité de l’architecture MoE et la puissance des Grace Blackwell. Cette localisation européenne répond aux exigences croissantes de souveraineté numérique, notamment pour les administrations et les entreprises réglementées qui souhaitent éviter les juridictions extracommunautaires.
Arthur Mensch, cofondateur et directeur général de Mistral AI, a affirmé lors de la présentation que Large 4 surpassait certains modèles chinois dans plusieurs domaines, notamment la cybersécurité.
Benchmarks et performances face à la concurrence
Sur l’Artificial Analysis Intelligence Index d’octobre 2026, Mistral Large 4 Preview obtient un score de 38, contre 9 pour Mistral Large 3. Un bond générationnel considérable, mais qui place ML4 derrière les meilleurs modèles fermés comme GPT-6 et Gemini 4 Argon, ainsi que derrière certains modèles ouverts chinois comme DeepSeek V4 ou Kimi K3 sur le rapport performance/coût.
Ce que la verbosité change sur le coût réel
Détail important pour les équipes techniques : pour accomplir l’évaluation complète de l’Intelligence Index, Mistral Large 4 a généré environ 200 millions de tokens de sortie, contre une médiane de 81 millions pour les autres modèles testés. Le modèle est donc nettement plus verbeux que ses concurrents, ce qui porte son coût réel à 1,13 $ par tâche, un chiffre plus parlant que le tarif au million de tokens.
Cybersécurité et code : les points forts
- Sur l’Artificial Analysis Cyber Index, Large 4 se classe parmi les cinq meilleurs modèles mondiaux et atteint 82 % sur un test de reproduction et correction de vulnérabilité logicielle.
- 93 % sur Cybench, un ensemble de 40 exercices de compétitions de cybersécurité.
- En codage : 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4, avec un score de 49,8 % sur le Coding Agent Index de Mistral.
Usages professionnels : droit et finance
Sur le Harvey Legal Agent Benchmark, Mistral Large 4 atteint un taux de réussite de 15,83 % pour un coût de 4,18 $ par test, se classant derrière Gemini 4 Argon (19,58 %, 10,55 $). Sur le Finance Agent v2, le modèle atteint une précision de 54,68 % pour un coût de 1,20 $ par test et une latence de 26 minutes 2 secondes. Des chiffres sectoriels qui montrent que ML4 est compétitif en agentique, sans dominer le marché.
Lors d’une évaluation humaine à l’aveugle menée par Surge AI, la version Preview de Large 4 a obtenu la deuxième place parmi cinq modèles testés, derrière Claude Opus 5. Un signal encourageant sur la qualité perçue des réponses en conditions réelles, face à des adversaires comme Claude Opus 5.5 ou GPT-6.1 Sol.
Prix et disponibilité de l’API Mistral Studio
Le tarif officiel (liste) de l’API Mistral Large 4 est de 1,36 $ par million de tokens en entrée et 4,18 $ en sortie, avec 0,14 $ pour l’entrée mise en cache. Une promotion de lancement d’environ deux semaines affiche actuellement la moitié de ces tarifs : 0,68 $ en entrée, 0,07 $ pour le cache et 2,09 $ en sortie.
Ces tarifs positionnent ML4 dans une gamme intermédiaire : plus abordable que les modèles phares américains, mais pas nécessairement imbattable au coût par tâche réel, compte tenu de la verbosité évoquée plus haut.
Calendrier des poids open-weight et licence : la question centrale
Les poids open-weight de Mistral Large 4 sont annoncés pour le 27 octobre 2026 selon VentureBeat et Euronews. Le point sensible : aucune licence n’a encore été précisée. Mistral Large 3 était publié sous Apache 2.0, ce qui laissait une liberté totale d’usage commercial. Rien ne garantit que Large 4 suivra le même chemin, et c’est précisément ce flou qui freinera certains déploiements en entreprise jusqu’à l’annonce officielle.
Auto-héberger un MoE de 1 000 milliards : à quoi s’attendre ?
Pour les équipes qui envisagent de déployer les poids en local, il faut anticiper des besoins matériels considérables. Contrairement à un modèle dense, un MoE n’exige pas d’activer tous les paramètres par token, mais les poids complets doivent néanmoins résider en mémoire pour être disponibles à chaque routage vers un expert.
Autrement dit, auto-héberger un MoE de 1 000 milliards de paramètres suppose de stocker l’intégralité du réseau, typiquement avec des configurations multi-GPU à très large VRAM et de l’inférence distribuée. Les 49 à 52 milliards de paramètres actifs réduisent le coût de calcul par token, pas la mémoire nécessaire au chargement du modèle. Des techniques comme la quantification ou l’offloading peuvent abaisser la barrière, mais au prix de la latence. En clair : prévoyez un cluster, pas une station de travail.
Foire aux questions
Vous vous posez sûrement des questions sur le Chonk ? Voici les réponses aux interrogations les plus fréquentes, détaillées ci-dessus et reprises dans nos questions/réponses structurées. Pour résumer les points clés à retenir : une architecture MoE à 49-52 milliards de paramètres actifs, un entraînement européen sur Grace Blackwell, des benchmarks solides en cybersécurité et en agentique, un tarif API à 1,36 $/4,18 $ par million de tokens (divisé par deux en promotion), et des poids open-weight attendus le 27 octobre 2026, licence encore inconnue. La suite dépendra de cette annonce de licence, décisive pour les usages commerciaux et la souveraineté européenne.
