Mistral ouvre les poids de Large 4 et accélère sur le code

Mistral AI a publié ce jeudi 29 octobre 2026 les poids de Mistral Large 4, son modèle de 1 000 milliards de paramètres surnommé « Le Chonk ». Cette mise en ligne sur Hugging Face permet de faire tourner le modèle localement, sans envoyer les données chez Mistral, tandis que la start-up dit avoir encore amélioré ses performances en code et en cybersécurité après trois semaines d’entraînement renforcé. Le sujet compte aussi pour le marché des modèles ouverts, où la concurrence chinoise garde l’avantage sur l’indice global d’Artificial Analysis.

Un modèle géant, mais pas si gourmand qu’il en a l’air

Sur le papier, Mistral Large 4 s’appuie sur 1 000 milliards de paramètres. Dans les faits, il n’en mobilise que 49 milliards par token, ou 52 milliards si l’on compte les couches d’entrée et de sortie. Ce décalage vient de son architecture MoE, pour Mixture of Experts, un système qui répartit la charge entre plusieurs sous-modèles spécialisés. Ici, Mistral parle de 128 experts, dont quatre seulement sont activés à chaque token, plus un expert commun.

La logique n’est pas nouvelle chez Mistral, mais elle prend une autre ampleur avec cette version. Le prédécesseur, Mistral Large 3, affichait déjà 675 milliards de paramètres, avec 41 milliards utilisés par token. La différence se joue donc moins sur le chiffre brut que sur l’efficacité à l’usage. Et c’est souvent là que se cachent les vraies batailles, loin des slogans de conférence.

Ce qui change après trois semaines de renforcement

Entre la préversion présentée le 6 octobre et la publication des poids, Mistral dit avoir poursuivi l’apprentissage par renforcement, surtout sur le code et la cybersécurité. Selon ses chiffres, le score du modèle à Terminal-Bench 4.0 passe de 28 % à 41 %. Sur ce test de programmation en ligne de commande, Mistral Large 4 ne devance le chinois GLM-5.3 que d’un point, avec 40 %, mais il prend l’avantage sur DeepSeek V4.1 Flash (31 %), Kimi K3 (21 %) et Muse Spark Open (6 %).

Sur l’indice de code d’Artificial Analysis, le modèle obtient 48 %, à égalité avec GLM-5.3, tout en consommant en moyenne 47 % de tokens en moins par tâche. Mistral insiste aussi sur des « améliorations considérables » et sur des progrès qui « ne cessent de s’accélérer, sans aucun signe de saturation ». La formule est ambitieuse, mais elle traduit une réalité simple : la course ne se joue plus seulement sur la taille, elle se joue sur la qualité du raisonnement et le coût par requête.

Une ouverture réelle, mais avec des limites

La publication des poids change la donne pour les entreprises qui veulent héberger le modèle sur leurs propres serveurs. Elle réduit la dépendance à l’API de Mistral et évite d’externaliser les données vers l’éditeur. En parallèle, le tarif de l’API baisse de moitié par rapport à la préversion : 0,70 dollar par million de tokens en entrée et 2,10 dollars en sortie, contre 1,36 dollar et 4,18 dollars auparavant.

Reste que cette ouverture n’est pas totale. La licence, baptisée Mistral Ecosystem Open-Weight License, autorise l’usage commercial, sauf pour les entreprises qui revendent l’accès au modèle sous forme de service ; elles doivent alors signer une licence séparée avec Mistral. Et, surtout, le modèle reste hors de portée d’un PC standard : même sa version compressée exige quatre cartes graphiques Nvidia B200 ou B300, contre huit pour la version complète. Local, oui. Sur la machine du salon, non.

Les modèles ouverts chinois gardent l’avantage global

Mistral reconnaît dans sa documentation que les meilleurs modèles ouverts chinois restent devant sur l’indice global d’Artificial Analysis. Le Chonk obtient 26 points, soit le meilleur score parmi les modèles ouverts occidentaux, mais pas le meilleur au classement général. Cette hiérarchie compte, car elle a pesé dans certains arbitrages récents, dont celui d’Ecosia, qui a remplacé Mistral début octobre par des modèles chinois comme Qwen, Kimi et GLM.

Christian Kroll, le patron d’Ecosia, reprochait à Mistral la qualité de ses modèles et un retard d’environ un an sur la concurrence. Dans ce contexte, la publication des poids ne suffit pas à effacer l’écart, mais elle remet Mistral dans la partie sur un terrain clé : celui des usages réels, du code aux environnements d’exécution privés. Le marché regardera désormais moins le nom du modèle que sa capacité à tenir la cadence, sans faire exploser la facture ni les serveurs.