Mistral Large 4 progresse en français et en cybersécurité

Mistral AI met en avant Mistral Large 4, aussi appelé ML4 ou « le Chonk », un modèle open weight de 1 000 milliards de paramètres entraîné avec 3 800 GPU Nvidia Grace Blackwell. Sur le papier, la start-up parisienne revient dans la course face aux modèles américains et chinois. Dans les tests comparés rapportés ici, le modèle brille surtout en français et en cybersécurité, mais reste moins convaincant en code et en analyse financière.

Un gros modèle, mais pas un modèle bon partout

Le premier enseignement tient en une phrase : Mistral Large 4 n’est pas un champion généraliste. Ses scores montrent un modèle solide sur certains usages ciblés, notamment le juridique, la cybersécurité et le grounding d’image satellite, mais moins à l’aise dès qu’il faut écrire du code ou manipuler un terminal. Le modèle affiche 61,7 % sur DeepSWE v1.1 en code agentique, mais seulement 22,7 % sur Terminal-Bench 4.0, très loin des 59,6 % de GPT-6 Astra et derrière les 38,9 % de GLM-5.3.

Sur l’intelligence générale mesurée par AA Intelligence Index v4.3.2, ML4 obtient 38,4, contre 52,7 pour GPT-6 Astra, 44,8 pour GLM-5.3 et 43,6 pour Kimi K3. C’est donc un modèle compétitif, pas une fusée intergalactique. Le surnom « le Chonk » n’est pas venu pour rien, mais la largeur du bloc ne fait pas tout.

Le français et la cybersécurité, ses vrais points forts

Mistral insiste sur la qualité des données françaises utilisées pendant l’entraînement, et l’article source rapporte que le modèle évite davantage les tournures typiques des modèles anglophones. Dans l’exercice de rédaction, il produit un texte jugé plus agréable à lire et souvent plus percutant sur la forme que GPT-6 Luna et GLM-5.3. En revanche, le fond reste moins argumenté que celui de GPT-6 Luna.

Sur l’audit de sécurité, ML4 se montre le plus complet. Face à un faux code d’API de facturation comportant huit failles, il repère les 8/8 vulnérabilités critiques, identifie 6 failles secondaires et n’invente aucune erreur. GPT-6 Luna trouve aussi les 8/8 failles critiques, mais seulement 3 secondaires ; GLM-5.3 en détecte 5. Dans ce contexte, Mistral gagne parce qu’il voit large sans fantasmer.

Prix serrés, mais résultats contrastés

Le positionnement tarifaire reste agressif. Selon les chiffres fournis, le prix affiché de Mistral Large 4 est de 1,36 $ par million de jetons en entrée, 0,14 $ en cache et 4,18 $ en sortie. GLM-5.3 est affiché à 1,40 $, 0,26 $ et 4,40 $, tandis que GPT-6 Astra monte à 10 $, 1 $ et 50 $. Mistral propose aussi 50 % de remise pendant les 15 premiers jours du lancement, ce qui fait tomber les prix à 0,68 $, 0,07 $ et 2,09 $.

Dans les tests narratifs, GPT-6 Luna reste souvent le moins cher et le plus rapide, tandis que GLM-5.3 compense par un raisonnement plus long et des résultats parfois meilleurs. Sur le test SVG, par exemple, Mistral produit une animation crédible mais avec des artefacts de CSS ; GLM-5.3 livre la version la plus aboutie. Sur l’analyse du prospectus de SpaceX, Mistral retrouve correctement les faits, mais tranche peu sur l’interprétation financière.

Ce que Mistral cherche vraiment à vendre

Le modèle sert surtout un récit stratégique : proposer une IA générative souveraine, du modèle à l’inférence, sans dépendre d’acteurs américains ou chinois. Mistral Large 4 reste derrière les meilleurs modèles américains sur plusieurs tâches, mais il se rapproche des solutions chinoises open source sur certains usages. C’est déjà beaucoup, surtout pour des entreprises qui cherchent une couche d’IA maîtrisée en interne.

La limite est claire : ML4 progresse, sans encore dominer. En revanche, Mistral a déjà réussi une chose rare à cette échelle, entraîner un modèle de 1 000 milliards de paramètres avec 3 800 GPU seulement. C’est une performance industrielle. Et un bon rappel qu’en IA, la taille compte, mais l’agencement des briques compte aussi.