Mistral AI publie les poids ouverts de son modèle « Large 4 », comptant 1 000 milliards de paramètres

3 semaines supplémentaires d'apprentissage ont permis au modèle de passer 41 % sur Terminal-Bench 4.0

Mistral AI a publié les poids de Mistral Large 4, le modèle de 1 000 milliards de paramètres dont elle avait donné un aperçu il y a trois semaines, et la version désormais disponible sur Hugging Face est nettement plus performante. La société parisienne affirme que trois semaines supplémentaires d’apprentissage par renforcement, guidées par les retours des clients, ont fait de ML4 le modèle open source le plus performant pour le codage agentique et la cyberdéfense. Surnommé « Le Chonk », ce modèle lit des textes et des images et produit du texte et du code, en activant 52 milliards de ses paramètres pour chaque tâche.

Mistral AI est une entreprise française spécialisée dans l'intelligence artificielle (IA) dont le siège social est situé à Paris. Fondée en 2023, elle développe des grands modèles de langage (LLM). En février 2024, Mistral a lancé « Le Chat », son chatbot, qui a été rebaptisé « Mistral Vibe » en 2026. En septembre 2026, la valorisation de l'entreprise s'élevait à 24,7 milliards de dollars américains, soit la plus élevée parmi les entreprises européennes du secteur de l'IA.

Début octobre 2026, Mistral a dévoilé un aperçu de Mistral Large 4, un modèle de 1 000 milliard de paramètres qui, selon l'entreprise, est le système d'IA à poids ouvert le plus puissant en dehors de la Chine. Pour n’importe quelle tâche, il n’utilise que 49 milliards de ses mille milliards de paramètres. De plus, le modèle a été entraîné à partir de zéro pendant deux mois à l’aide d’environ 4 000 GPU Nvidia Grace Blackwell dans les centres de données européens de Mistral, qui alimentent désormais également la version préliminaire. L’entreprise a indiqué que l’entraînement avait consommé environ 10 mégawatts d’électricité. Lors de l'annonce, Mistral AI affirmait que les résultats des tests de performance sont préliminaires, et qu'elle s’attendait à ce qu’ils évoluent avant la publication des poids.

Récemment, Mistral AI a publié les poids de Mistral Large 4, le modèle de 1 000 milliards de paramètres dont elle avait donné un aperçu il y a trois semaines, et la version désormais disponible sur Hugging Face est nettement plus performante. La société parisienne affirme que trois semaines supplémentaires d’apprentissage par renforcement, guidées par les retours des clients, ont fait de ML4 le modèle open source le plus performant pour le codage agentique et la cyberdéfense.

Surnommé « Le Chonk », ce modèle lit des textes et des images et produit du texte et du code, en activant 52 milliards de ses paramètres pour chaque tâche. Mistral publie également une version quantifiée, qui s’exécute sur quatre GPU Nvidia B200 ou B300. Les progrès en matière de codage sont les plus faciles à constater. Sur Terminal-Bench 4.0, qui teste le codage agentique dans un terminal, ML4 est passé de 28 % lors de la préversion à 41 %, devançant de justesse le GLM-5.3 à 40 %.

Sur l’indice Coding Agent Index d’Artificial Analysis, il rivalise avec le GLM-5.3 tout en utilisant en moyenne 47 % de tokens en moins par tâche, un gain qui s’accumule lorsque les agents de codage fonctionnent pendant des heures. En matière de cyberdéfense, ML4 a obtenu un score de 79 % sur CyberGym-E2E, un test visant à déterminer si un modèle est capable de détecter, de reproduire et de corriger de véritables bogues de sécurité mémoire dans des projets open source en C et C++, égalant ainsi MiMo-V2.6-Pro et devançant DeepSeek V4.1 Flash, qui a obtenu 76 %.


Les premiers testeurs, que Mistral décrit simplement comme des gouvernements et des entreprises, souhaitaient davantage de contrôle sur la durée de réflexion du modèle. En réponse, l’entreprise a ajouté des modes de raisonnement « faible » et « moyen » aux côtés du mode « élevé », et a rendu ce dernier 50 % plus efficace. Certains clients utilisent déjà ML4 pour des tests d’intrusion automatisés, en exécutant des agents spécialisés qui sondent leurs propres applications à la recherche de failles d’accès et rédigent un rapport sur leurs découvertes.

Pierre Stock, vice-président scientifique de Mistral, a présenté cette publication ouverte comme une question de continuité. « L’IA va devenir comme l’électricité », a-t-il déclaré, et aucune entreprise ne devrait dépendre de quelqu’un capable de lui couper l’accès « du jour au lendemain ». Une fois que les poids circulent en ligne, a-t-il fait valoir, l’accès ne peut plus être retiré, bien que les concurrents soutiennent que les modèles ouverts comportent davantage de risques. Il a appliqué la même logique aux laboratoires chinois qui dominent le secteur des modèles ouverts. Rien ne garantit qu’ils continueront à publier leurs poids, a-t-il déclaré, et leurs modèles offrent moins de transparence et pourraient être transformés en vecteurs d’attaque.

D’un autre côté, Mistral a développé ML4 avec une fraction des ressources dont disposent tant les laboratoires fermés que ses concurrents chinois, une affirmation difficile à vérifier compte tenu du peu d’informations que les laboratoires chinois divulguent sur leurs coûts d’entraînement. En effet, personne d’autre n’a atteint ce niveau avec si peu de ressources, leurs concurrents bénéficiant de financements et de valorisations bien plus importants.

Mistral met également l’accent sur l’efficacité. ML4 a été entraîné sur 3 800 GPU Nvidia Grace Blackwell en Europe, et l’apprentissage par renforcement a été exécuté sur sa propre infrastructure de calcul en France, consommant environ 10 mégawatts. « D’autres laboratoires ont levé des centaines de milliards pour développer des capacités équivalentes ; en trois ans, Mistral a levé environ 6 milliards de dollars », a déclaré Arthur Mensch, PDG de l’entreprise.


Des versions plus petites et allégées suivront dans les mois à venir, dont une pouvant fonctionner sur un ordinateur portable, bien que Mistral ne se soit pas engagé sur des dates précises. Les tarifs de l’API pour ML4 n’ont pas encore été publiés, et Stock a fait valoir que les tarifs au token sont trompeurs lorsqu’un modèle nécessite bien moins de tokens par tâche. ML4 est disponible sur Hugging Face, via l’API de Mistral, ainsi que pour certains utilisateurs de Vibe. Le plus gros défi reste à venir, car Stock souhaite que Mistral ne se contente pas d’atteindre la frontière une seule fois, mais qu’il « crée le rythme de la frontière ».

Cette annonce confirme que la startup française Mistral AI s'est visiblement repositionnée sur le marché de l'IA. Elle est passée du statut de concurrent direct d'OpenAI à celui d'acteur spécialisé dans la souveraineté numérique européenne. Initialement reconnue pour l'efficacité de ses modèles à poids ouverts, elle a fini par perdre du terrain face aux Big Tech américains et chinois en raison d'un manque de puissance de calcul et de financements. Cependant, Mistral connaît une croissance financière en vendant des garanties de confidentialité des données sur le sol européen. Elle attire des secteurs stratégiques comme la banque ou la défense, qui privilégient le contrôle local à la puissance brute.

Voici un extrait de l'annonce de Mistral AI :

Repousser la frontière de Pareto pour la programmation agentique

Mistral Large 4 offre des performances de programmation de pointe avec un nombre de tokens nettement inférieur, ce qui rend l’exécution à grande échelle d’agents de programmation sophistiqués plus économique.

Sur l’Artificial Analysis Coding Agent Index, Mistral Large 4 obtient un score de 48 %, à égalité avec le modèle open-weight de référence, GLM-5.3, tout en utilisant en moyenne 47 % de tokens en moins par tâche.


Ces gains s’étendent aux workflows de codage sur terminal. Sur Terminal-Bench 4.0, Mistral Large 4 a progressé de 13 points de pourcentage pour atteindre 41 % par rapport à sa version en avant-première publique, prenant ainsi la tête des modèles à poids ouvert tout en réduisant de 30 % le nombre de tokens de sortie.

Afin de donner aux développeurs un meilleur contrôle sur ce compromis entre performances et coût, Mistral Large 4 prend désormais en charge trois modes de raisonnement :


Au-delà des benchmarks, les capacités de codage de Mistral Large 4 sont validées par les préférences humaines. Lors des évaluations par paires en aveugle menées par Surge Code, Mistral Large 4 a été préféré aux principaux modèles à poids ouverts, notamment GLM-5.3, Kimi K3 et DeepSeek V4.1 Flash, ne se classant derrière que Claude Opus 5.5 parmi les modèles évalués.


Conçu pour les défenseurs

Depuis sa préversion, nous travaillons avec les principaux fournisseurs de cybersécurité pour évaluer Mistral Large 4 dans des environnements réels afin de tester ses atouts en matière de reproduction des vulnérabilités et d’application de correctifs.

Mistral Large 4 obtient un score de 51 % à l’Artificial Analysis Cyber Index, qui mesure la capacité d’un modèle à détecter des vulnérabilités dans une base de code, à les reproduire et à les valider, puis à les corriger sans altérer les fonctionnalités existantes. Élément crucial, Mistral Large 4 accomplit ces tâches légitimes de sécurité défensive sans rejeter inutilement des actions.


La sécurité s’est améliorée parallèlement aux capacités. Les garde-fous intégrés à notre modèle permettent de distinguer les tâches de cybersécurité défensives des tâches malveillantes et offensives. Il conserve de solides performances sur les benchmarks de cybersécurité, tout en atteignant un taux de refus moyen de 96,6 % sur les requêtes cybermalveillantes, le plus élevé que nous ayons mesuré parmi les modèles ouverts.


Depuis la phase de préversion, nous avons surveillé de près les utilisations liées à la cybersécurité au sein de notre trafic en production. Bien que nous ayons constaté que le modèle refusait de se prêter à des attaques de type « boîte noire » contre des cibles réelles, nous estimons qu’il existe un potentiel d’amélioration pour mener de véritables attaques....