Mistral Large 4, la réponse trillionaire de l'Europe aux modèles américains qui refusent les travaux de sécurité

Mistral Large 4, la réponse trillionaire de l'Europe aux modèles américains qui refusent les travaux de sécurité

Points clés

• Mistral a publié un aperçu de Mistral Large 4, un modèle de mille milliards de paramètres entraîné en Europe. Les poids sont attendus fin octobre.
• Dans l'Intelligence Index d'Artificial Analysis, le modèle bondit à 38 points mais reste bien en retrait des principaux modèles fermés comme Claude Opus 5.5.
• L'argument de vente principal de Mistral est la sécurité informatique : le modèle reproduit et corrige des vulnérabilités logicielles que des concurrents comme Claude et GPT-6 refusent de toucher en raison de leurs filtres de sécurité.

Mistral a dévoilé Mistral Large 4, son plus grand modèle à ce jour. Il compte mille milliards de paramètres et a été entraîné dans les propres centres de données européens de l'entreprise. Dans un index indépendant, le modèle fait un grand bond en avant mais reste bien en deçà des principaux modèles fermés. L'argument principal de Mistral est qu'il gère des tâches de sécurité que Claude et GPT-6 refusent de toucher.

Mistral a publié un aperçu public de Mistral Large 4 (ML4), surnommé « le Chonk ». L'API est disponible dès maintenant via Mistral Studio. Les poids du modèle devraient suivre fin octobre.

Selon Mistral, ML4 est un modèle nativement multimodal doté de mille milliards de paramètres, dont 49 milliards sont actifs. Sur X, l'entreprise affirme que ML4 est le meilleur modèle à poids ouverts des États-Unis ou d'Europe sur les benchmarks agrégés. Elle revendique des performances de pointe en cyberdéfense, industrie et finance, et déclare qu'il surpasse même les modèles fermés de frontière en visual grounding.

Un grand bond pour Mistral, mais Claude garde 20 points d'avance

Un regard indépendant provient de l' Intelligence Index d'Artificial Analysis, qui agrège dix benchmarks dans différents domaines. ML4 y obtient 38 points. C'est un progrès majeur pour Mistral : son prédécesseur, Mistral Large 3, n'avait atteint que 9 points dans l'index, et le plus récent Mistral Medium 3.5 avait atteint 14. Avec 38 points, ML4 dépasse aussi GLM-5.2 de Z.ai, que Mistral propose sur sa propre plateforme. Mais l'écart avec le sommet reste important. Claude Opus 5.5 (Max) mène avec 58 points.Ad

Jusqu'à la livraison des poids, Mistral soumet le modèle à des tests de vulnérabilité (red-teaming) avec des entreprises de sécurité, des partenaires agréés et des agences gouvernementales. Ces groupes reçoivent la même version avec une modération réduite et des capacités cyber élargies.

L'avantage de Mistral en cybersécurité vient en partie du refus de la tâche par ses concurrents

Mistral consacre l'essentiel de son annonce à la sécurité informatique. Dans l'Artificial Analysis Cyber Index, ML4 se classe parmi les cinq premiers modèles mondiaux, selon l'entreprise. Parmi les modèles à poids ouverts développés hors de Chine, il domine avec une large marge.

Un test demande à un modèle de reproduire une vulnérabilité réelle dans un logiciel open source, puis de la corriger. ML4 atteint 82 pour cent, le meilleur score de tous les modèles. La raison est cependant inhabituelle. Selon Mistral, Claude Opus 5.5 et GPT-6 Astra obtiennent des scores proches de zéro parce qu'ils refusent complètement la tâche. Le test mesure donc autant les politiques des fournisseurs que les capacités des modèles.

Mistral en fait un argument de vente. Défendre un logiciel commence souvent par prouver qu'une vulnérabilité est réelle, argue l'entreprise. Les filtres de sécurité des modèles fermés bloquent exactement ce type de travail, tandis que les attaquants contournent de toute façon la protection de ces mêmes modèles. Perdre l'accès à un fournisseur en pleine incident peut lui-même devenir un risque de sécurité, ajoute Mistral. ML4 est conçu pour fonctionner également dans des clouds privés ou sur site. Publicité

En même temps, Mistral met en avant des taux de refus élevés. Sur des requêtes cyber malveillantes provenant de JailbreakBench, StrongREJECT et AgentHarm, ML4 refuse plus souvent que tout autre modèle ouvert. Comment le modèle distingue de manière fiable la recherche légitime de vulnérabilités de la préparation d'attaques, Mistral ne l'explique pas. Dans le B3 AI Security Benchmark de Lakera, ML4 bloque 93,3 pour cent des attaques, selon l'entreprise.

ML4 prend la deuxième place en programmation, devant Deepseek et Qwen

En programmation, ML4 obtient 49,8 pour cent dans l'Artificial Analysis Coding Agent Index, le plaçant devant Deepseek V4 Pro et Qwen3.8 Max. Mistral a également mené une évaluation à l'aveugle avec Surge AI, où des annotateurs professionnels ont noté la qualité du code sans savoir quel modèle l'avait produit. ML4 s'est classé deuxième sur cinq modèles avec 3,74 points sur 5, devant GLM-5.3 et Kimi K3. Claude Opus 5 a mené avec 4,22 points.

En matière de compréhension d'images, Mistral revendique une amélioration majeure. ML4 est censé analyser des documents, des graphiques, des images satellite gigapixel et des dessins techniques, en zoomant et en vérifiant les détails de manière autonome. L'avance sur les modèles fermés est toutefois mince. Sur le benchmark Dense 200, ML4 obtient 42 pour cent tandis que GPT-6 Astra atteint 41 pour cent. Selon une évaluation de Vals.ai, ML4 surpasse également GPT-6 Astra sur les tâches juridiques et financières.

La souveraineté européenne comme modèle commercial

Mistral affirme que ML4 a été entraîné from scratch sur 3,800 GPU Nvidia Grace Blackwell dans ses propres centres de données européens. La préversion fonctionne sur la même infrastructure. En plus d'offres dans plusieurs régions, Mistral prévoit une variante européenne qu'il exploite entièrement en propre, indépendamment d'autres fournisseurs de services et sous le droit européen. Les données d'entraînement couvrent plus de 160 langues, dont toutes les langues officielles de l'UE.

L'entraînement s'est déroulé en collaboration avec des entreprises de la finance, de l'industrie, de la logistique, de l'industrie pharmaceutique, du transport maritime et du secteur public, selon Mistral. L'entreprise a utilisé le même environnement d'entraînement et de RL qu'elle propose aux clients via Mistral Forge. Pour le post-entraînement par apprentissage par renforcement, Mistral utilise environ 3,000 GPU. Une seule session d'entraînement génère environ 33 milliards de tokens par jour.

L'entraînement n'est pas terminé

La session RL derrière la préversion est toujours en cours et ne montre aucun signe de stabilisation, indique Mistral. L'entreprise attend des améliorations significatives dans les semaines à venir. L'expansion de la puissance de calcul est financée par la Série D de 3 milliards d'euros, la plus grande levée de fonds en actions jamais réalisée par une entreprise technologique européenne.

Beaucoup de choses restent floues pour l'instant. Selon la documentation du modèle, ML4 utilise une architecture de mélange d'experts à granularité fine avec 1.05 trillion de paramètres au total et un encodeur de vision à 1.6 milliard de paramètres. La fenêtre de contexte couvre un million de tokens. Mistral prévoit de publier les détails de l'architecture, la licence et les méthodes de post-training en même temps que les poids à la fin du mois.

Pendant la préversion, Mistral facture 0.68 dollar par million de tokens d'entrée et 2.09 dollars par million de tokens de sortie. Les entrées en cache coûtent 0.07 dollar. La documentation liste également des prix au double de ces tarifs : 1.36 dollar pour l'entrée, 4.18 dollars pour la sortie et 0.14 dollar pour les entrées en cache. ML4 est également destiné à servir de base à une nouvelle génération de modèles spécialisés de Mistral.

Mistral construit sa propre infrastructure en Europe depuis des mois. En mars, l'entreprise a contracté un prêt de 830 millions de dollars pour un centre de données près de Paris, avec 200 mégawatts de capacité de calcul en Europe prévus d'ici la fin 2027. L'entreprise semble déplacer son attention des consommateurs vers les clients professionnels. En mai, Mistral a renommé son chatbot Le Chat en Vibe et l'a reconstruit en outil de travail.

Ce même mois, le PDG de Mistral, Arthur Mensch, a averti une commission parlementaire française que l'Europe risque de devenir dépendante des modèles américains pour la cybersécurité. Les bases de code de l'armée française ne devraient pas être analysées par Mythos d'Anthropic, a déclaré Mensch. Les modèles de Mistral eux-mêmes pourraient trouver les mêmes vulnérabilités qui ont été liées à Mythos, a-t-il ajouté.

L'actualité de l'IA sans le hype – Curaté par des humains

Abonnez-vous à THE DECODER pour une lecture sans publicité, une newsletter hebdomadaire sur l'IA, notre rapport exclusif « AI Radar » sur les technologies de pointe six fois par an, un accès complet aux archives et l'accès à notre section de commentaires.