Mistral AI publie Mistral Large 4 (Le Chonk) : un modèle MoE multimodal de 1,05T de paramètres

Mistral AI vient d'annoncer la sortie de Mistral Large 4 (ML4), surnommé en interne Le Chonk, en aperçu public. ML4 est un modèle Mixture of Experts granulaire doté de 1.05 trillion de paramètres au total, dont 49 milliards actifs par token, un encodeur de vision de 1.6 milliard de paramètres et une fenêtre de contexte de 1 million de tokens, selon la documentation du modèle. Il a été entraîné from scratch sur 3,800 GPU NVIDIA Grace Blackwell dans les propres datacenters européens de Mistral.

TL;DR

Mistral AI a publié Mistral Large 4 (« Le Chonk ») en aperçu public le 6 octobre 2026 : un MoE granulaire de 1.05T de paramètres avec 49B actifs par token, une entrée d'image native et une fenêtre de contexte de 1M, entraîné entièrement from scratch sur 3,800 GPU NVIDIA Grace Blackwell dans les propres datacenters européens de Mistral. L'API est disponible dès maintenant à 1.36 $ par 1M de tokens d'entrée et 4.18 $ par 1M de tokens de sortie, mais les poids ne seront pas publiés avant fin octobre, l'auto-hébergement n'est donc pas encore possible. Ses résultats les plus remarquables concernent la cybersécurité, où Mistral annonce 93% sur Cybench et 82% sur CyberGym-E2E, et note que plusieurs modèles fermés de pointe obtiennent des scores proches de zéro parce qu'ils refusent la tâche.

Quelle est l'architecture ?

ML4 est un MoE hybride instruct-et-raisonnement qui accepte nativement les images en entrée. Seuls environ 4,7 % des poids s'activent par token, ce qui permet à un modèle de classe 1 billion d'être servi à un prix intermédiaire. L'intégralité des 1,05T doit néanmoins résider en mémoire, si bien que le nombre de paramètres actifs détermine le calcul, et non votre facture matérielle.

Mistral n'a pas encore publié le nombre d'experts, le routage top-k ni l'agencement des couches ; ceux-ci arriveront avec les poids. Les données d'entraînement couvraient plus de 160 langues, dont toutes les langues officielles de l'UE.

Explication interactive

Comment se comporte-t-il ?

En cybersécurité, Mistral annonce 93 % sur Cybench et 82 % sur CyberGym-E2E, plaçant ML4 dans le top 5 mondial de l'Artificial Analysis Cyber Index. L'affirmation la plus intéressante est structurelle : Mistral indique que plusieurs modèles fermés de pointe obtiennent des scores proches de zéro sur CyberGym-E2E parce qu'ils refusent carrément la tâche. Reproduire une vulnérabilité pour prouver qu'elle est réelle est un travail défensif standard, et les refus au niveau des fournisseurs le bloquent.

En codage agentique, Mistral annonce 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4.0, pour un Artificial Analysis Coding Agent Index combiné de 49,8 %. Mistral note que ces évaluations ont été effectuées en privé avant que le harnais ne soit rendu public, de sorte qu'elles ne sont pas encore reproductibles de manière indépendante.

Une évaluation humaine en aveugle menée avec Surge AI constitue le signal le plus honnête. Des annotateurs professionnels ont noté ML4 Preview 3,74 sur 5, deuxième parmi 5 modèles, devant GLM-5.3 (3,60) et Kimi K3 (3,59), mais derrière Claude Opus 5 à 4,22.

Sur le plan de la sécurité, ML4 résiste à 93.3% des attaques sur le benchmark B3 de Lakera et obtient 1.691 sur un maximum de 2.0 sur KORABench.

Comment se compare-t-il à ses plus proches rivaux à poids ouverts ?

Que pouvez-vous construire avec aujourd'hui ?

L'API de préversion prend en charge l'appel de fonctions, les sorties structurées, les questions-réponses sur documents, le traitement par lots et les points de terminaison Agents et Conversations. L'entrée en cache est facturée 0,14 $ par 1M de tokens, ce qui change considérablement l'économie des boucles d'agents à long contexte sur une fenêtre de 1M.

Points clés à retenir

• 1,05 T de paramètres au total, 49B actifs par token, contexte de 1M, encodeur de vision de 1,6B.
• Entraîné sur 3,800 GPU Grace Blackwell dans les datacenters européens de Mistral.
• Aperçu de l'API disponible dès maintenant à 1,36 $ par 1M de tokens en entrée et 4,18 $ par 1M de tokens en sortie.
• Poids promis pour fin octobre 2026, l'auto-hébergement n'est donc pas encore possible.
• Les meilleurs résultats concernent la cybersécurité, un domaine où les modèles propriétaires refusent souvent la tâche.

Découvrez l' annonce de Mistral Large 4, la documentation du modèle Mistral Large 4 et les comparaisons de modèles d'Artificial Analysis. Tout le mérite revient au chercheur de ce projet. Par ailleurs, n'hésitez pas à nous suivre sur Twitter et n'oubliez pas de rejoindre notre SubReddit ML de plus de 150k et de vous abonner à notre Newsletter. Attention ! Êtes-vous sur telegram ? vous pouvez désormais nous rejoindre également sur telegram.

[Sponsorisé] Le web est l'API unique qui manque à la plupart des agents. Les bases de données, les calendriers et les dépôts ont des API. Le web ouvert, lui, n'en a pour la plupart pas. Le serveur MCP de TinyFish offre à tout client MCP quatre outils : TinySearch, TinyFetch (pages complètes en markdown, JavaScript inclus), TinyBrowser pour les connexions et les formulaires, et TinyAgent pour les tâches en plusieurs étapes. Search et Fetch sont gratuits.

L'article Mistral AI lance Mistral Large 4 (Le Chonk) : un modèle MoE multimodal de 1,05T de paramètres est appenu en premier sur MarkTechPost.