Mistral présente Large 4, un modèle européen d'un trillion de paramètres

Mistral dévoile une préversion de Mistral Large 4, présenté comme multimodal et entraîné en Europe. Le modèle progresse nettement dans des classements agrégés mais demeure derrière les leaders fermés, tandis que l’entreprise mise sur la cybersécurité et un déploiement souverain. Les poids et les détails techniques sont annoncés pour la fin d’octobre.

Publication des poids, entraînement encore en cours et périmètre propriétaire

Mistral Large 4 est pour l’instant considéré comme propriétaire, les poids n’ayant pas encore été publiés. En attendant, l’entreprise teste le modèle avec des sociétés de sécurité, des partenaires vérifiés et des agences gouvernementales, en leur fournissant une version à modération réduite et à capacités cyber étendues. Mistral indique que le cycle d’apprentissage par renforcement qui soutient l’aperçu est toujours en cours et ne montre pas de plateau, avec des améliorations attendues dans les semaines à venir. La publication des poids et des détails d’architecture, de licence et de méthodes post‑entraînement est annoncée pour la fin d’octobre.

Capacités européennes: GPU, data centers, langues et feuille de route

Selon Mistral, l’entraînement de Mistral Large 4 a été réalisé intégralement sur 3 800 GPU Nvidia Grace Blackwell installés dans ses propres centres de données situés en Europe, et l’aperçu fonctionne également sur cette même infrastructure. La société annonce une version européenne exploitée de façon indépendante, sans recours à d’autres prestataires, respectant la réglementation de l’Union européenne, et précise que les données utilisées pour l’entraînement englobent plus de 160 langues, incluant toutes les langues officielles de l’UE. L’entraînement s’est fait avec des acteurs de la finance, de l’industrie, de la logistique, de la pharmacie, du maritime et du secteur public, en utilisant l’environnement proposé via Mistral Forge, avec environ 3 000 GPU pour le post‑entraînement par renforcement et un débit d’environ 33 milliards de tokens par jour. L’augmentation de la puissance de calcul s’appuie sur un tour de 3 milliards d’euros présenté comme un record européen, et sur un prêt de 830 millions de dollars contracté en mars pour un centre près de Paris, avec un objectif de 200 MW de capacité en Europe d’ici fin 2027. Parallèlement, l’entreprise réoriente son offre vers les usages professionnels, ayant renommé en mai son chatbot Le Chat en Vibe et l’ayant reconstruit comme outil de travail.

Cybersécurité: tests de vulnérabilités, refus ciblés et exécution sur site

Selon l’entreprise, Mistral Large 4 figure parmi les cinq meilleurs modèles au monde dans un indice cyber, et prend la tête parmi les modèles à poids ouverts développés hors de Chine. Dans un test demandant de reproduire une vulnérabilité réelle dans un logiciel open source et de la corriger, le modèle atteint 82 %, le score le plus élevé, tandis que Claude Opus 5.5 et GPT‑6 Astra sont proches de zéro car ils refusent la tâche. Cet exercice reflète autant les politiques des fournisseurs que les capacités techniques. Mistral soutient que prouver l’existence d’une faille relève de la défense logicielle et que des filtres de sécurité des modèles fermés bloquent ce travail, ajoutant que des attaquants contournent ces systèmes et qu’une perte d’accès à un fournisseur en incident peut devenir un risque. Le modèle est annoncé comme déployable en cloud privé ou sur site. Sur des jeux de prompts malveillants tels que JailbreakBench, StrongREJECT et AgentHarm, l’entreprise met en avant des taux de refus supérieurs aux autres modèles ouverts, tout en n’expliquant pas comment est opérée la distinction entre recherche légitime et préparation d’attaque. Dans le benchmark B3 de Lakera, le modèle bloquerait 93,3 % des attaques. En mai, Arthur Mensch a par ailleurs alerté une commission parlementaire française sur un risque de dépendance aux modèles américains pour la cybersécurité, estimant notamment que des bases de code militaires françaises ne devraient pas être scannées par Mythos d’Anthropic, et affirmant que les modèles de Mistral pourraient retrouver les mêmes vulnérabilités.

Benchmarks agrégés: progression notable mais écart persistant en tête

Dans l’Indice d’Analyse de l’Intelligence, qui compile dix benchmarks, Mistral Large 4 obtient 38 points, contre 9 pour Mistral Large 3 et 14 pour Mistral Medium 3.5, et dépasse GLM‑5.2 de Z.ai. En tête, Claude Opus 5.5 (Max) affiche 58 points, tandis que le modèle de Mistral reste derrière les offres fermées d’Anthropic, d’OpenAI et de Google, ainsi que plusieurs modèles ouverts chinois. Le modèle est proche du sommet en codage scientifique, bien que GPT‑6 Astra et Qwen3.8 conservent des scores plus élevés. Dans l’Indice des Agents de Codage, il atteint 49,8 %, devant Deepseek V4 Pro et Qwen3.8 Max. Une évaluation à l’aveugle menée avec Surge AI le place deuxième sur cinq avec 3,74/5, devant GLM‑5.3 et Kimi K3, derrière Claude Opus 5 (4,22). Des évaluations humaines rapportées par Mistral favorisent le modèle en tâches STEM et CAD, les performances étant jugées proches en finance et en codage. Sur des flux automatisés, il se situe légèrement derrière GLM‑5.3 et devant Kimi K3 et Deepseek V4 Pro.

Vision et documents: résultats serrés et évaluations tierces

Mistral présente Mistral Large 4 comme un modèle multimodal natif et revendique un avantage en ancrage visuel face à des modèles fermés. L’entreprise annonce une amélioration marquée de l’analyse d’images, avec la prise en charge de documents, graphiques, images satellites gigapixels et plans techniques, incluant des opérations de zoom et de vérification autonomes. Sur Dense 200, l’écart reste réduit, avec 42 % pour Mistral Large 4 contre 41 % pour GPT‑6 Astra. D’après Vals.ai, le modèle surpasse également GPT‑6 Astra sur des tâches juridiques et financières.

Produit, architecture et tarifs pendant l’aperçu

L’API est accessible via Mistral Studio. Mistral précise que 49 milliards de paramètres sont utilisés en simultané et présente une architecture mixture‑of‑experts à granularité fine comprenant au total 1,05 trillion de paramètres, un encodeur de vision de 1,6 milliard, ainsi qu’une fenêtre de contexte d’un million de tokens. Durant la phase d’aperçu, les tarifs communiqués s’établissent à 0,68 $ pour chaque million de tokens d’entrée et 2,09 $ pour un million de tokens de sortie, tandis que les entrées mises en cache sont facturées 0,07 $, la documentation signalant également des tarifs doublés (1,36 $, 4,18 $ et 0,14 $). Mistral envisage de s’appuyer sur ce modèle pour développer une nouvelle génération de modèles spécialisés, tout en mettant en avant des performances de référence dans différents domaines et, d’après des benchmarks agrégés, une position de meilleur modèle à poids ouverts aux États‑Unis ou en Europe.