Mistral Large 4 gagne en ouverture et en capacité sur le code

Mistral a publié le 29 octobre 2026 les poids de Mistral Large 4 sur Hugging Face, son modèle multimodal surnommé « Le Chonk ». Cette mise à disposition permet de l’exécuter sur ses propres infrastructures, tout en gardant un modèle présenté comme l’un des plus forts du moment sur le code et la cybersécurité. Le timing compte aussi pour le marché : trois semaines après la préversion, la start-up française affiche des gains mesurables et assume une stratégie d’ouverture sous licence encadrée.

Un modèle ouvert, mais pas léger

Mistral Large 4 repose sur une architecture de type Mixture of Experts, ou MoE : le modèle compte 1 000 milliards de paramètres au total, mais n’en active qu’environ 49 milliards par token, selon la documentation publiée. En pratique, cette répartition vise à concentrer le calcul là où il est utile, au lieu d’exécuter tout le réseau à chaque réponse. Cela aide à comprendre pourquoi « open weights » ne veut pas dire « tourne sur un laptop sans broncher ».

La version publiée arrive en deux variantes officielles, FP8 et NVFP4, avec aussi des conversions GGUF disponibles via Unsloth et l’équipe llama.cpp. Mistral précise que son modèle est distribué sous la Mistral Ecosystem Open-Weight License, dérivée de MIT, avec une restriction sur les offres de modèle-en-service. Autrement dit, l’ouverture existe, mais elle vient avec des garde-fous commerciaux.

Le code et la cybersécurité au cœur du positionnement

Sur le terrain des usages, Mistral insiste sur deux cas d’emploi : le développement logiciel et la cybersécurité. Dans sa communication et dans la couverture de The New Stack, l’entreprise affirme que Mistral Large 4 vise particulièrement les agents de code, l’analyse de vulnérabilités et la génération de règles de détection. Le modèle a aussi été présenté comme utile pour la modernisation de bases de code héritées, un chantier qui fait rarement la une, mais qui paie les factures.

Les chiffres avancés par Mistral montrent une progression nette depuis la préversion du début octobre. Terminal-Bench 4.0 passe de 28 % à 41 % après trois semaines d’apprentissage renforcé. Sur l’indice de code d’Artificial Analysis, le modèle atteint 48 %, à égalité avec GLM-5.3, tout en consommant en moyenne 47 % de tokens en moins par tâche. Dans le test de cybersécurité CyberGym E2E, Mistral cite 79 %, contre 29 % pour GLM-5.3, tandis que le score de reproduction et correction de vulnérabilités monte à 82 % dans les données reprises par Hugging Face.

Pourquoi Mistral met autant l’accent sur l’ouverture

Pour Mistral, l’enjeu dépasse la seule performance. Pierre Stock, vice-président scientifique de l’entreprise, a défendu l’idée que les poids ouverts garantissent continuité d’activité, transparence et auditabilité. Il a aussi résumé la ligne de fond en une formule : « Our stance is that AI is going to be like electricity. »

Cette logique parle aux équipes qui redoutent une dépendance à une API externe au mauvais moment, notamment en incident de sécurité. Avec des poids ouverts, l’utilisateur contrôle à la fois le déploiement et la politique d’usage. Mistral conserve malgré tout des refus sur les requêtes dangereuses, et indique un taux de refus supérieur à celui des autres modèles ouverts sur plusieurs jeux de tests cyber. Le compromis est clair : plus de contrôle, mais pas carte blanche.

Une ambition industrielle qui dépasse le simple lancement

La publication des poids intervient après une phase de préversion marquée par un entraînement sur environ 3 800 GPU Nvidia Grace Blackwell, selon The New Stack, et par une montée en puissance rapide des résultats. Mistral dit avoir consacré environ 10 mégawatts à cette phase d’apprentissage renforcé, un ordre de grandeur qu’elle présente comme inférieur à celui de concurrents mieux dotés. La société insiste aussi sur le fait qu’elle veut, à terme, « own the entire stack ».

Cette ambition se lit déjà dans la feuille de route : des versions plus petites de Mistral Large 4 doivent arriver dans les prochains mois, y compris une variante pensée pour tourner sur ordinateur portable. En parallèle, le modèle est déjà compatible avec Transformers, vLLM, llama.cpp et les Inference Endpoints de Hugging Face. Les entreprises qui veulent tester l’ouverture sans monter une usine à gaz ont donc plusieurs chemins. Les autres devront surtout compter leurs GPU.