Mistral Large 4 est désormais en open weights, ce qui en fait de justesse le modèle open weights n°1 développé en dehors de la Chine
@MistralAI a mis à jour et publié les poids de son modèle phare, Mistral Large 4, avec 1.05T de paramètres au total et 52B actifs. Avec un raisonnement élevé, Mistral Large 4 obtient un score de 26 sur l'Artificial Analysis Intelligence Index v5, en hausse de 1 point par rapport à Mistral Large 4 Preview (25), les principales différences étant une meilleure efficacité de tokens et des hallucinations réduites. Il se situe 1 point devant le principal modèle open weights développé aux États-Unis, Muse Spark Open (xhigh, 25).
Sur l'Artificial Analysis Cyber Index, Mistral Large 4 (high) obtient 51, troisième parmi les modèles open weights actuels derrière DeepSeek V4.1 Flash 1017 (max, 57) et MiMo-V2.6-Pro (56).
Points clés :
➤ Devance de justesse les modèles open weights non chinois : Mistral Large 4 (high) devance Muse Spark Open (xhigh), le prochain meilleur modèle open weights développé en dehors de la Chine, avec l'écart le plus important sur Terminal-Bench 4.0 (25% contre 8%). Il est en retard de 6 points sur les principaux modèles open weights DeepSeek V4.1 Flash 1017 (max) et GLM-5.3 (max) sur l'Intelligence Index, principalement en raison de performances plus faibles en codage et en travail de connaissances agentique : 15% sur FrontierCode 2.0 (contre 29% et 22% respectivement) et 1349 Elo sur AA-Briefcase (contre 1570 et 1504)
➤ Efficacité de tokens accrue : Mistral Large 4 (high) utilise 82K tokens de sortie par tâche de l'Intelligence Index, soit 39% de moins que Preview (135K), le plaçant sur la frontière de Pareto des modèles open weights. Les sept modèles open weights qui obtiennent un score supérieur utilisent entre 113K et 225K tokens de sortie par tâche
➤ N°2 des modèles open weights sur le Coding Agent Index : Sur l'Artificial Analysis Coding Agent Index, Mistral Large 4 (high) obtient 48 dans Mistral Vibe tout en utilisant 8.5M tokens par tâche, soit environ la moitié du principal modèle open weights GLM-5.3 (max) dans Opencode (49, 15.9M). Il obtient également un score supérieur à un autre modèle open weights de premier plan, DeepSeek V4.1 Flash 1017 (max), dans DeepSeek Harness (46, 16.7M)
➤ Hallucinations réduites : Mistral Large 4 (high) a un taux d'hallucination de 28% sur l'AA-Omniscience v1.1 mise à jour, en baisse par rapport à 41% pour Preview et égalant Muse Spark Open (xhigh). Cependant, sa précision reste relativement faible à 26%, similaire à Ling 3.1 Flash 1019 (27%), et derrière DeepSeek V4.1 Flash 1017 (max, 40%) et Muse Spark Open (xhigh, 42%)
➤ Prix et coût par tâche inférieurs à ceux de Preview : Mistral Large 4 est proposé à $0.70/$2.10 par 1M de tokens d'entrée/sortie, une réduction d'environ 50% par rapport aux tarifs de Preview de $1.36/$4.18. Au nouveau tarif, il coûte $2.06 par tâche de l'Intelligence Index, en baisse de 63% par rapport à $5.54 pour Preview. Cela est comparable à Muse Spark Open (xhigh, $2.02) mais plus coûteux que les principaux modèles open weights DeepSeek V4.1 Flash 1017 (max, $0.60) et MiMo-V2.6-Pro ($0.26)
Détails clés du modèle :
➤ Taille : 1.05T de paramètres au total / 52B de paramètres actifs
➤ Fenêtre de contexte : 1M de tokens
➤ Multimodalité : entrée texte et image, sortie texte
➤ Tarification : $0.70/$2.10 par 1M de tokens d'entrée/sortie ($0.07 par 1M de tokens d'entrée en cache)
➤ Licence : MEOW License (Mistral Ecosystem Open-Weight License), où l'exploitation d'une activité de Model-as-a-Service nécessite une licence commerciale distincte avec Mistral
Félicitations à l'équipe de @MistralAI pour cette publication !