Le 6 octobre 2026, Mistral AI a lancé en public preview son nouveau modèle frontière, Mistral Large 4 (ML4), surnommé officieusement « le Chonk ». C’est un modèle multimodal nativement de 1 050 milliards de paramètres au total, dont 49 milliards actifs par token, bâti sur une architecture Mixture-of-Experts granulaire. L’annonce parle d’un modèle « le plus grand et le plus capable » jamais produit par le lab français, disponible dès aujourd’hui via l’API sur Mistral Studio.
Surtout, Mistral promet les poids ouverts d’ici la fin du mois, le temps de mener un red-teaming avec des partenaires cybersécurité et des autorités étatiques, qui auront accès à la même version avec une modération réduite et des capacités offensives élargies.
Pourquoi c’est important
Trois choses rendent cette sortie notable.
D’abord la puissance brute. ML4 revendique des performances « au niveau des meilleurs modèles open-source mondiaux », et surtout au-dessus de tout modèle open-weight développé aux États-Unis ou en Europe. Sa fenêtre de contexte atteint 1 million de tokens, avec un encodeur vision de 1,6 milliard de paramètres.
Ensuite, la souveraineté. Le modèle a été entraîné from scratch sur 3 800 GPU NVIDIA Grace Blackwell dans les datacenters de Mistral en Europe, et le preview est servi sur cette même infrastructure. Une part significative des données d’entraînement est multilingue, couvrant plus de 160 langues, dont toutes les langues officielles de l’Union européenne. Pour l’argumentaire « IA souveraine » du lab, c’est la démonstration technique qui manquait.
Enfin, la cybersécurité, argument le plus tranchant. Mistral revendique une place dans le top 5 mondial de l’Artificial Analysis Cyber Index, et 82 % sur un test qui demande de reproduire puis corriger une vulnérabilité réelle dans un logiciel libre — présenté comme le meilleur score tous modèles confondus. Sur Cybench (40 exercices issus de compétitions de sécurité), il résout 93 % des épreuves. Le point politique : Mistral affirme que des modèles fermés comme Claude Opus 5.5 et GPT-6 Astra obtiennent un score proche de zéro sur le même test, parce qu’ils refusent d’effectuer la tâche. Autrement dit, ML4 capitalise sur les garde-fous des modèles américains pour se positionner comme l’outil des défenseurs.
Ce que ça change pour les devs et le web
- Une option self-hosted crédible arrive. Si vous avez besoin d’un modèle frontière que vous pouvez héberger sous votre propre politique (secteurs régulés, données sensibles), l’arrivée des poids en licence ouverte fin octobre change la donne par rapport aux API fermées.
- Le contexte 1M et le multimodal ouvrent des usages : analyse de gros PDF, de schémas techniques, d’imagerie satellite — des cas où l’on bricolait jusqu’ici des pipelines multi-modèles.
- Attention aux benchmarks constructeur. Les chiffres viennent de Mistral : le Cyber Index et les scores de codage sont auto-reportés ou repris d’indices tiers, à confirmer par la communauté une fois les poids publiés.
- La région d’inférence redevient un critère produit. Un déploiement européen opéré de bout en bout par Mistral, sous droit européen, c’est exactement ce que demandent les appels d’offres publics et les clients régulés.
ML4 s’inscrit dans la feuille de route financée par la Series D de 3 Md€. Le vrai test n’est pas le preview : c’est la publication des poids et la confirmation indépendante des scores.