Mistral Large 4 gagne du terrain dans le code et la cybersécurité

Mistral Large 4, surnommé « Le Chonk », est un modèle multimodal et multilingue de Mistral désormais disponible sur Hugging Face. Capable de traiter du texte et des images pour générer du texte, il repose sur une architecture Mixture-of-Experts, avec environ 1 000 milliards de paramètres au total, 49 milliards activés et une fenêtre de contexte d’un million de tokens. Son arrivée compte surtout pour les équipes qui veulent déployer, ajuster ou auditer un grand modèle sans dépendre d’une API unique, en particulier en cybersécurité et pour les agents de code.

Un modèle ouvert, mais pas complètement libre

Mistral distribue Mistral Large 4 sous la licence Mistral Ecosystem Open-Weight License, une variante inspirée d’Apache/MIT qui impose des limites aux offres de modèle-en-service. En clair, les poids sont accessibles, mais l’usage commercial n’est pas un copier-coller sans condition. Deux variantes officielles sont proposées, FP8 et NVFP4, avec aussi des versions GGUF créées par Unsloth et l’équipe llama.cpp.

Ce positionnement est stratégique. Dans la pratique, un modèle open weight laisse davantage de contrôle sur le déploiement, les filtres et l’audit des comportements. Mistral insiste d’ailleurs sur un point rarement mis en avant avec autant de netteté : un modèle ouvert permet de vérifier les refus, pas seulement de les croire sur parole. Une petite phrase qui pique un peu, mais qui dit bien l’enjeu.

Pourquoi la cybersécurité est au cœur du message

Mistral présente Large 4 comme particulièrement solide pour la cybersécurité, le code et les usages multimodaux. Sur l’Artificial Analysis Cyber Index, il atteint 82 % sur une tâche de reproduction puis correction d’une vulnérabilité réelle dans un logiciel open source. L’entreprise explique que plusieurs modèles fermés y obtiennent des scores proches de zéro, car ils refusent souvent de s’engager sur ce type de demande.

Le sujet dépasse la note de benchmark. Pour une équipe sécurité, reproduire une faille avant de la corriger est souvent indispensable. Or un système dépendant d’une API peut se bloquer au pire moment, quand l’incident est déjà en cours. Mistral met donc en avant un modèle qui reste déployable localement ou chez un tiers, tout en conservant un taux de refus élevé sur les requêtes malveillantes selon JailbreakBench, StrongREJECT et AgentHarm [à vérifier sur le périmètre exact des mesures].

Une architecture pensée pour aller vite sans tout faire à la fois

Techniquement, Mistral Large 4 mêle plusieurs formes de parcimonie. Le décodeur texte compte 72 couches, une dimension cachée de 6 144 et 64 têtes d’attention. Son attention combine Multi-head Latent Attention et un indexeur DeepSeek Sparse Attention, qui sélectionne jusqu’à 2 048 positions passées par requête. Autre détail : le modèle alterne RoPE et NoPE selon un schéma 3:1, avec des états KV partagés entre couches.

La structure MoE fait le reste. Après la première couche dense, les 71 couches suivantes s’appuient sur 128 experts, dont quatre sont sélectionnés par token, plus un expert partagé. Cela permet d’augmenter la capacité sans activer tout le réseau à chaque requête. Pour l’image, Mistral ajoute un encodeur Pixtral de 1,6 milliard de paramètres, avec 30 couches et des patches de 14 × 14.

Des scores qui visent aussi le terrain des agents

Les résultats publiés le placent dans le haut du panier open weight, même si la comparaison entre modèles reste toujours délicate. Au 29 octobre 2026, Mistral indique que Large 4 se classe cinquième meilleur modèle open weight sur l’Artificial Analysis Intelligence Index. Sur le code, il affiche 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4. Son score combiné de 49,8 % sur le Coding Agent Index le place devant DeepSeek V4 Pro 0813 et Qwen3.8 Max, selon la source de Mistral.

Le modèle n’est pas cantonné au développement logiciel. Il affiche aussi 59,9 % sur AutomationBench et 1 393 Elo sur AA-Briefcase, deux évaluations liées aux workflows métier et aux tâches professionnelles longues. C’est précisément ce genre de profil qui attire les éditeurs qui veulent un modèle capable de lire, décider et agir, sans promettre la lune. En matière d’IA, c’est déjà pas mal.

Déploiement local, cloud ou serveur d’entreprise

Mistral Large 4 est livré avec un support dès le premier jour pour Transformers, vLLM et llama.cpp. Hugging Face annonce aussi des Inference Endpoints prêts à l’emploi sur 8 GPU NVIDIA H200, avec jusqu’à 131 000 tokens de contexte et 16 requêtes en parallèle. Côté performance, la plateforme dit observer environ 0,6 seconde au premier token pour une requête de 1 000 tokens, puis jusqu’à 65 tokens par seconde en génération, avec des pointes supérieures sur certains prompts de chat.

Les équipes qui préfèrent l’on-premise peuvent passer par llama.cpp, qui prend déjà en charge les quants GGUF, ou par Dell Enterprise Hub sur des serveurs AI Dell. Le checkpoint NVFP4 demande des GPU Blackwell côté NVIDIA, tandis que certaines versions allégées peuvent tourner sur des configurations plus modestes. Bref, chacun peut choisir son niveau de luxe matériel, du studio de recherche au rack bien rempli.

Ce que cette sortie change pour le marché

Cette publication confirme une tendance nette : les modèles open weight ne servent plus seulement à la recherche ou au prototypage. Ils veulent aussi prendre place dans des usages sensibles, du code à la sécurité en passant par l’automatisation métier. Avec Large 4, Mistral vise un segment où la souveraineté technique, la possibilité de fine-tuning et la maîtrise des coûts comptent autant que la qualité brute du modèle.

Reste une limite structurante : l’accès aux poids ne signifie pas absence de contraintes. La licence encadre l’exploitation commerciale, et les meilleurs résultats supposent une infrastructure sérieuse, parfois coûteuse. Mais pour les entreprises qui veulent garder la main sur leurs modèles, Mistral Large 4 devient une option difficile à ignorer.