Le 29 octobre 2026, Mistral a publié les poids de Mistral Large 4, son modèle de 1 000 milliards de paramètres surnommé « Le Chonk ». Trois semaines après une preview publique, le flagship français passe en open weight : checkpoints FP8 et NVFP4 sur Hugging Face, plus des GGUF produits par Unsloth et l’équipe llama.cpp.
Le bestiau est un MoE d’environ 1T de paramètres totaux pour 49 Md actifs par token, avec 1 million de tokens de contexte, entrée texte et image, et 160+ langues. Un modèle « hybride instruct-and-reasoning », entraîné from scratch sur infrastructure européenne.
Ce qui a changé en trois semaines
Entre la preview et la release, Mistral dit avoir continué à faire tourner du reinforcement learning, avec des gains encore accélérants sur le code et la cybersécurité défensive. L’équipe a surtout ajouté trois modes de raisonnement — low, medium, high (par défaut) — au lieu du binaire reasoning / no-reasoning.
Côté outillage : Transformers v5.22.0 en support day-0, vLLM, llama.cpp, SGLang, TRL pour le fine-tuning, et un champ reasoning_effort pilotable dans une API Chat Completions compatible OpenAI.
Les chiffres annoncés
Chiffres Mistral, sauf mention contraire — revendications éditeur, pas résultats reproduits.
- FrontierCode 2.0 : 19,7 % — benchmark privée de Cognition : le mainteneur mergerait-il le diff ?
- Terminal-Bench 4.0 : 41 %, soit +13 points face à la preview.
- Artificial Analysis Coding Agent Index : 48 %, à égalité avec GLM-5.3, avec 47 % de tokens en moins.
- Cyber Index : 51 %, et 96,6 % de refus sur les requêtes cyber malveillantes.
Le blog Hugging Face nuance : 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA, et une 5ᵉ place open weight sur l’Intelligence Index d’Artificial Analysis au 29 octobre, quand Mistral revendique la première place open weight sur le code.
Pourquoi c’est important
Le meilleur modèle open weight n’est plus uniquement chinois. Le débat se résumait à GLM, Kimi, Qwen, DeepSeek et MiMo ; Mistral remet un candidat européen dans la course, avec un argument qui n’est pas que technique : une lignée d’entraînement traçable et hébergée en Europe.
Deuxième raison : la cybersécurité défensive devient un cas d’usage open weight crédible. Un modèle fermé refuse souvent de reproduire une faille — donc de la patcher. Mistral insiste sur ce point et reconnaît dans le même souffle un « potentiel d’uplift » pour de vraies attaques, avec des garde-fous qu’il dit ajuster.
Ce que ça implique pour les devs
Lisez la licence avant de wrapper. Le modèle est sous Mistral Ecosystem Open-Weight License, une dérivée du MIT avec une condition : exploiter un service Model-as-a-Service exige une licence commerciale séparée. L’usage interne et le fine-tuning passent ; revendre l’inférence en API, non. La frontière entre « SaaS qui utilise le modèle » et « MaaS qui le revend » reste floue — le genre de détail qui finit chez un avocat.
L’auto-hébergement reste un sport de riche. 1T de paramètres, même en NVFP4, c’est du cluster, pas du MacBook. Pour une petite équipe, la porte d’entrée c’est l’API à 0,70 $ / M en entrée, 0,07 $ en cache, 2,10 $ / M en sortie — ou un GGUF quantifié pour tester avant de payer. Microsoft Foundry est le premier cloud à le servir.
Réserve : ce sont des auto-évaluations. Sur vos tâches, votre propre benchmark tranchera.