Mistral AI lanza Mistral Large 4 (Le Chonk): un modelo MoE multimodal de 1.05T de parámetros

Mistral AI acaba de anunciar el lanzamiento de Mistral Large 4 (ML4), apodado internamente Le Chonk, como vista previa pública. ML4 es un modelo Mixture of Experts granular con 1.05 billones de parámetros totales (trillion), 49 mil millones activos por token, un codificador de visión de 1.6 mil millones de parámetros y una ventana de contexto de 1 millón de tokens, según la documentación del modelo. Fue entrenado desde cero en 3,800 GPU NVIDIA Grace Blackwell en los propios centros de datos europeos de Mistral.

TL;DR

Mistral AI lanzó Mistral Large 4 ('Le Chonk') como vista previa pública el 6 de octubre de 2026: un MoE granular de 1.05T de parámetros con 49B activos por token, entrada nativa de imágenes y una ventana de contexto de 1M, entrenado desde cero en 3,800 GPU NVIDIA Grace Blackwell en los propios centros de datos de la UE de Mistral. La API ya está disponible a $1.36 por 1M de tokens de entrada y $4.18 por 1M de tokens de salida, pero los pesos no se publicarán hasta finales de octubre, por lo que el autoalojamiento aún no es posible. Sus resultados más destacados están en ciberseguridad, donde Mistral reporta 93% en Cybench y 82% en CyberGym-E2E, y señala que varios modelos frontera cerrados obtienen puntuaciones cercanas a cero porque se niegan a realizar la tarea.

¿Cuál es la arquitectura?

ML4 es un MoE híbrido de instrucción y razonamiento que acepta entrada de imágenes de forma nativa. Solo alrededor del 4.7% de los pesos se activan por token, y así es como un modelo de clase 1 trillion puede servirse a precios de gama media. La totalidad de los 1.05T aún debe residir en memoria, por lo que el número de activaciones determina el cómputo, no tu factura de hardware.

Mistral aún no ha publicado el número de expertos, el enrutamiento top-k ni la disposición de capas; esos detalles llegarán con los pesos. Los datos de entrenamiento abarcaron más de 160 idiomas, incluidos todos los idiomas oficiales de la UE.

Explicador interactivo

¿Cómo funciona?

En ciberseguridad, Mistral reporta 93% en Cybench y 82% en CyberGym-E2E, colocando a ML4 en el top 5 global del Artificial Analysis Cyber Index. La afirmación más interesante es estructural: Mistral declara que varios modelos frontera cerrados obtienen puntuaciones cercanas a cero en CyberGym-E2E porque se niegan de plano. Reproducir una vulnerabilidad para demostrar que es real es trabajo defensivo estándar, y los rechazos a nivel de proveedor lo bloquean.

En codificación agéntica, Mistral reporta 61.7% en DeepSWE v1.1, 59.4% en SWE-Atlas-QnA y 28.3% en Terminal-Bench 4.0, para un Artificial Analysis Coding Agent Index combinado de 49.8%. Mistral señala que estas evaluaciones se realizaron de forma privada antes de que el harness se hiciera público, por lo que aún no son reproducibles de manera independiente.

Una evaluación humana a ciegas realizada con Surge AI es la señal más honesta. Los anotadores profesionales calificaron ML4 Preview con 3.74 de 5, segundo de 5 modelos, por delante de GLM-5.3 (3.60) y Kimi K3 (3.59), pero por detrás de Claude Opus 5 con 4.22.

En seguridad, ML4 resiste el 93.3% de los ataques en el benchmark B3 de Lakera y obtiene 1.691 de un máximo de 2.0 en KORABench.

¿Cómo se compara con sus rivales de pesos abiertos más cercanos?

¿Qué puedes construir con ella hoy?

La API de vista previa admite llamadas a funciones, salidas estructuradas, preguntas y respuestas sobre documentos, procesamiento por lotes y los endpoints de Agents y Conversations. La entrada en caché tiene un precio de $0.14 por 1M de tokens, lo que cambia sustancialmente la economía de los bucles de agentes de contexto largo en una ventana de 1M.

Conclusiones clave

• 1.05T de parámetros totales, 49B activos por token, 1M de contexto, codificador de visión de 1.6B.
• Entrenado en 3,800 GPUs Grace Blackwell en los centros de datos propios de Mistral en la UE.
• Vista previa de la API disponible ahora a $1.36 por 1M de tokens de entrada y $4.18 por 1M de tokens de salida.
• Pesos prometidos para finales de octubre de 2026, por lo que el autoalojamiento aún no es posible.
• Los resultados más sólidos están en ciberseguridad, donde los modelos cerrados suelen rechazar la tarea.

Echa un vistazo a la anunciación de Mistral Large 4, documentación del modelo Mistral Large 4 y comparaciones de modelos de Artificial Analysis. Todo el mérito es del investigador de este proyecto. Además, no dudéis en seguirnos en Twitter y no olvidéis uniros a nuestro SubReddit de ML con más de 150k y suscribiros a nuestro Newsletter. ¡Espera! ¿estás en telegram? ahora también puedes unirte a nosotros en telegram.

[Patrocinado] La web es la única API que falta a la mayoría de los agentes. Las bases de datos, los calendarios y los repositorios tienen APIs. La web abierta mayormente no. El servidor MCP de TinyFish proporciona a cualquier cliente MCP cuatro herramientas: TinySearch, TinyFetch (páginas completas como markdown, con JavaScript incluido), TinyBrowser para inicios de sesión y formularios, y TinyAgent para trabajos de varios pasos. Search y Fetch son gratuitos.

La entrada Mistral AI Lanza Mistral Large 4 (Le Chonk): Un Modelo MoE Multimodal de 1.05T Parámetros apareció primero en MarkTechPost.