--- title: 'Mistral Large 4 : le modèle open-weight européen à 1 000 milliards de paramètres' description: 'Mistral Large 4 (Le Chonk) : architecture MoE à 52 milliards de paramètres actifs, poids ouverts sous licence MIT modifiée, tarifs API, auto-hébergement et limites annoncées.' pubDate: 2026-11-01 family: 'intelligence-artificielle' tags: ['Mistral'] heroImage: '/images/mistral-large-4-le-modele-open-weight-europeen-a-1-000-milliards-de-parametres.webp' videoUrl: 'https://www.youtube.com/watch?v=SKJeryAGs6w' faq: - question: 'Peut-on auto-héberger Mistral Large 4 ?' answer: "Oui : les poids sont publiés sur Hugging Face sous une licence MIT modifiée, et Mistral cite vLLM et SGLang pour le service, avec des variantes quantifiées GGUF et NVFP4 côté communauté. Aucun prérequis matériel chiffré n'est donné dans l'annonce : c'est un modèle à 1 000 milliards de paramètres, donc vérifie la page du modèle et le modèle card avant de dimensionner une machine." - question: 'La licence autorise-t-elle un usage commercial ?' answer: "Oui, avec une exception. La licence « Mistral Ecosystem Open-Weight », présentée comme une licence MIT modifiée, autorise l'usage, la modification, le fine-tuning et la commercialisation ; seule une entreprise qui revend le modèle en tant que service (Model-as-a-Service) doit obtenir une licence commerciale séparée auprès de Mistral." - question: "Combien coûte l'API Mistral Large 4 ?" answer: "0,70 dollar par million de tokens en entrée, 0,07 dollar par million de tokens d'entrée mis en cache et 2,10 dollars par million de tokens en sortie, d'après la publication des poids et la page de tarification de la documentation." - question: 'Mistral Large 4 dépasse-t-il vraiment les modèles américains ?' answer: "En open-weight, Mistral revendique la première place, et sur certaines évaluations cyber il devance des modèles fermés sur des tâches que ceux-ci refusent. Sur des compétences générales, ce n'est pas le cas : dans l'évaluation humaine à l'aveugle menée avec Surge AI sur la qualité du code, Mistral Large 4 passe deuxième derrière Claude Opus 5. Ces chiffres viennent de Mistral ou d'évaluateurs tiers mandatés, pas d'un test exécuté pour cet article." - question: 'Pourquoi le nom « Le Chonk » ?' answer: "C'est Mistral qui l'a donné, dans l'annonce de l'aperçu du 6 octobre 2026 : « Unofficially ML4, very officially: le Chonk ». Le nom d'API reste mistral-large-4." --- Mistral Large 4, surnommé « Le Chonk », est le plus gros modèle publié par Mistral AI : 1 000 milliards de paramètres dont 52 milliards utilisés par token, entrée multimodale, 1 million de tokens de contexte, et des **poids ouverts** [publiés à la fin du mois d'octobre 2026](https://mistral.ai/news/mistral-large-4-oss/). L'aperçu public avait été [annoncé le 6 octobre 2026](https://mistral.ai/news/mistral-large-4/). La vidéo raconte ce pari : un laboratoire français qui prétend tenir le haut du classement open-weight sans dépendre d'une API américaine. Cette page reprend les mêmes angles, avec les sources officielles et leurs limites. Une précision de sources. La transcription française de la vidéo était indisponible depuis ce serveur, donc le déroulé vient de la description officielle de la vidéo, complétée et corrigée par les pages de Mistral — [aperçu](https://mistral.ai/news/mistral-large-4/), [publication des poids](https://mistral.ai/news/mistral-large-4-oss/), [fiche du modèle](https://docs.mistral.ai/models/mistral-large) — et le [blog Hugging Face](https://huggingface.co/blog/mistral-large4), consultés le 1er novembre 2026. Les commandes et extraits ci-dessous sont **documentés mais non exécutés** pour cet article : aucune clé d'API ni GPU de cette taille n'étaient disponibles ici pour les rejouer. ## Deux annonces, pas une | Date | Ce qui est sorti | | ---------------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | 6 octobre 2026 | Aperçu public via l'API et Mistral Studio. Les poids ne sont pas encore publiés, Mistral indique « by the end of the month » et fait tourner une campagne de red teaming. | | Fin octobre 2026 | Publication des poids, après trois semaines de renforcement (RL) supplémentaires revendiquant des gains en code, en cybersécurité défensive et en efficacité de raisonnement. | Cette nuance compte pour lire les chiffres : l'annonce d'octobre décrit un modèle en aperçu, la publication des poids décrit une version entraînée plus longtemps. Les valeurs ci-dessous précisent donc leur provenance. ## Architecture et spécifications La fiche du modèle décrit une architecture **Mixture-of-Experts granulaire** : 52 milliards de paramètres actifs pour 1 050 milliards de paramètres au total (notés 1,05 T), plus un encodeur vision de 1,6 milliard de paramètres. L'annonce parle simplement d'un modèle « 1 trillion-parameter ». Un peu plus de contexte officiel : | Caractéristique | Valeur annoncée | | --------------- | ------------------------------------------------------------------------------------------------------ | | Identifiant API | `mistral-large-4` | | Paramètres | 52 milliards actifs / 1,05 T au total, encodeur vision 1,6 B (docs Mistral), « 1 trillion » (annonce) | | Contexte | 1 million de tokens | | Entrées | texte et images (modèle nativement multimodal) | | Langues | plus de 160 langues, dont toutes les langues officielles de l'Union européenne | | Entraînement | 3 800 GPU NVIDIA Grace Blackwell, dans les centres de données européens de Mistral | | Licence | « Mistral Ecosystem Open-Weight », présentée comme une licence MIT modifiée, version 26.10 dans la doc | Le fait marquant n'est pas la taille mais l'entraînement « from scratch » sur une infrastructure que Mistral opère lui-même en Europe, argument central de son discours de souveraineté. ## Ce que Mistral revendique en code et en agentique Sur l'aperçu du 6 octobre, Mistral publie notamment 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4, pour un score combiné Coding Agent Index de 49,8 %, devant DeepSeek V4 Pro 0813 et Qwen3.8 Max selon l'annonce. Trois semaines de RL plus tard, la publication des poids annonce la première place open-weight sur FrontierCode et Terminal-Bench, et 19,7 % sur FrontierCode 2.0, le benchmark privé de Cognition qui mesure si un mainteneur de dépôt fusionnerait la modification proposée par l'agent. Côté préférence humaine, Mistral cite une évaluation à l'aveugle menée par Surge AI : des annotateurs professionnels ont noté les sorties de cinq modèles de 1 à 5 sans connaître leur identité, et Mistral Large 4 Preview s'est classé deuxième (3,74) derrière Claude Opus 5 (4,22), devant Kimi K3, GLM-5.3 et GLM-5.2. Ce classement relativise le titre : le meilleur modèle du comparatif n'est pas open-weight. ## Cybersécurité, l'argument le moins habituel C'est la partie la plus détaillée de l'annonce, et la plus contre-intuitive : Mistral vend surtout la capacité du modèle à travailler là où les modèles fermés refusent. Sur l'Artificial Analysis Cyber Index, Mistral Large 4 se classe parmi les cinq premiers modèles mondiaux et devant les modèles open-weight hors Chine, avec 82 % sur un test qui demande de reproduire une vulnérabilité réelle dans un logiciel libre puis de la corriger — le meilleur score du classement — et 93 % des 40 exercices de Cybench. L'annonce souligne que plusieurs modèles fermés de premier plan, dont Claude Opus 5.5 et GPT-6 Astra, obtiennent des scores proches de zéro sur le même test parce qu'ils refusent la tâche. Deux garde-fous tempèrent le tableau : la publication des poids indique que Mistral **modifie ses règles** après avoir observé dans le trafic réel un potentiel d'usage offensif, et que la variante cyber spécialisée (pentest, évaluation de vulnérabilités, red teaming) reste réservée à des partenaires vérifiés, sous contrat et sur des systèmes autorisés. Les citations d'entreprises clientes, de l'ENISA ou de Booz Allen qui accompagnent l'annonce viennent d'ailleurs de Mistral, pas d'une évaluation indépendante republiée ici. L'annonce donne aussi des chiffres de robustesse : 93,3 % d'attaques bloquées sur le benchmark B3 de Lakera, 1,691 sur 2 au KORA Benchmark, et un taux de refus sur les requêtes cyber malveillantes présenté comme supérieur à celui des autres modèles open-weight. Ces deux affirmations se lisent ensemble : le modèle refuse d'attaquer des cibles, mais accepte d'auditer du code. ## Poids ouverts : ce que tu peux en faire Les poids sont publiés sur Hugging Face, y compris une [variante NVFP4](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B-NVFP4) et des quantifications GGUF côté communauté. La licence, visible dans le [fichier LICENSE du dépôt du modèle](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B/blob/main/LICENSE), autorise l'usage, la modification, le fine-tuning et la commercialisation ; la seule condition citée est qu'une entreprise qui exploite le modèle en tant que service (Model-as-a-Service) doit obtenir une licence commerciale séparée. Pour l'exécuter toi-même, Mistral renvoie à vLLM et SGLang, à un conteneur NVIDIA NIM optimisé pour vLLM, à NeMo AutoModel pour la personnalisation et à TensorRT LLM pour le service à fort débit. Côté hébergement tiers, le modèle est annoncé disponible sur Mistral Studio, l'API Mistral, OpenRouter, les endpoints NVIDIA, Vibe Code, et Microsoft Foundry comme premier fournisseur cloud. Reste la question que l'annonce laisse ouverte : aucun prérequis matériel chiffré n'est publié pour l'auto-hébergement d'un modèle de cette taille, donc dimensionne après lecture de la page du modèle, pas d'après un billet de blog. Appel type documenté (non exécuté ici) : ```bash curl https://api.mistral.ai/v1/chat/completions \ -H "Authorization: Bearer $MISTRAL_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "mistral-large-4", "messages": [{"role": "user", "content": "Explique la difference entre MoE et dense."}] }' ``` Le schéma d'entrée est celui des API compatibles OpenAI, la fiche du modèle listant `/v1/chat/completions` et `/v1/conversations`, avec sorties structurées, appel d'outils, QnA sur documents, batching et agents intégrés. ## Tarifs et modes de raisonnement La publication des poids donne trois tarifs : **0,70 $** par million de tokens en entrée, **0,07 $** par million de tokens d'entrée mis en cache et **2,10 $** par million de tokens en sortie. Le cache divise donc le coût de relecture par dix, ce qui compte sur les workflows d'agents qui relisent le même contexte. Le même document décrit trois modes de raisonnement, présentés comme un arbitrage coût / performance : | Mode | Usage typique | | ----------------- | ---------------------------------------------------------- | | Low | tâches simples ; remplace l'ancien mode « None » | | Medium | tâches courantes | | High (par défaut) | cas les plus difficiles, précision et raisonnement étendus | Ce découpage rejoint la promesse affichée d'« efficacité de raisonnement » : un modèle qui atteint le même score en consommant moins de tokens coûte moins cher, indépendamment du prix unitaire. ## Souveraineté : ce que ça couvre, et ce que ça ne couvre pas Ce que les faits établis couvrent est précis : des poids téléchargeables, une licence permissive, une infrastructure d'entraînement et de service en Europe, un déploiement possible sur ton propre cloud ou sur site, et des outils de personnalisation (Mistral Forge) et de gouvernance des agents (Mistral Studio). L'annonce cite aussi un financement de 3 milliards d'euros en Série D pour étendre les capacités de calcul européennes. Ce que cela ne couvre pas : la qualité du modèle sur tes tâches. Aucune licence ne remplace une évaluation sur ton propre jeu de données, et les scores cités dans l'annonce sont choisis par celui qui vend le modèle. Le raisonnement « c'est européen donc c'est bon pour moi » ne tient que si tu as vérifié les deux autres points — la licence, et les performances mesurées chez toi. ## Limites et points à vérifier avant de s'engager - **Les benchmarks sont majoritairement internes ou mandatés.** Les chiffres coding et cyber viennent des pages de Mistral ; le seul classement réellement à l'aveugle cité place Mistral Large 4 deuxième, derrière un modèle fermé. - **La documentation porte encore la mention « Public Preview »** (6 octobre 2026) sur la fiche du modèle, alors que les poids sont distribués. Vérifie la version et le nom de modèle exacts avant d'écrire du code de production. - **Le RL n'est pas terminé** au moment de la publication des poids : Mistral annonce poursuivre l'entraînement, donc les scores peuvent bouger dans un sens comme dans l'autre. - **Aucune configuration matérielle publique** pour l'auto-hébergement d'un modèle à 1 000 milliards de paramètres, et les quantifications communautaires ne sont pas des publications Mistral. - **La variante cyber avancée est fermée** : elle passe par des partenaires vérifiés, pas par un poids public. L'annonce d'aperçu renvoie aussi à une « full technical report » à venir pour l'architecture détaillée, la méthodologie de post-entraînement et des benchmarks supplémentaires : tant qu'elle n'est pas publiée, une partie de ce que le modèle fait reste décrit par le vendeur. Pour voir les démonstrations, les benchmarks et le raisonnement complet, regarde la vidéo. ## Questions fréquentes **Peut-on auto-héberger Mistral Large 4 ?** Oui : les poids sont publiés sur Hugging Face sous une licence MIT modifiée, et Mistral cite vLLM et SGLang pour le service, avec des variantes quantifiées GGUF et NVFP4 côté communauté. Aucun prérequis matériel chiffré n'est donné dans l'annonce : c'est un modèle à 1 000 milliards de paramètres, donc vérifie la page du modèle et le modèle card avant de dimensionner une machine. **La licence autorise-t-elle un usage commercial ?** Oui, avec une exception. La licence « Mistral Ecosystem Open-Weight », présentée comme une licence MIT modifiée, autorise l'usage, la modification, le fine-tuning et la commercialisation ; seule une entreprise qui revend le modèle en tant que service (Model-as-a-Service) doit obtenir une licence commerciale séparée auprès de Mistral. **Combien coûte l'API Mistral Large 4 ?** 0,70 dollar par million de tokens en entrée, 0,07 dollar par million de tokens d'entrée mis en cache et 2,10 dollars par million de tokens en sortie, d'après la publication des poids et la page de tarification de la documentation. **Mistral Large 4 dépasse-t-il vraiment les modèles américains ?** En open-weight, Mistral revendique la première place, et sur certaines évaluations cyber il devance des modèles fermés sur des tâches que ceux-ci refusent. Sur des compétences générales, ce n'est pas le cas : dans l'évaluation humaine à l'aveugle menée avec Surge AI sur la qualité du code, Mistral Large 4 passe deuxième derrière Claude Opus 5. Ces chiffres viennent de Mistral ou d'évaluateurs tiers mandatés, pas d'un test exécuté pour cet article. **Pourquoi le nom « Le Chonk » ?** C'est Mistral qui l'a donné, dans l'annonce de l'aperçu du 6 octobre 2026 : « Unofficially ML4, very officially: le Chonk ». Le nom d'API reste mistral-large-4.