Mistral publie Le Chonk : 26 points sur l’Intelligence Index

Mistral diffuse les poids de Large 4, son modèle « Le Chonk », sous licence MIT modifiée. Les premiers résultats indépendants confirment une bonne tenue en codage et une exécution rapide, mais l’Intelligence Index d’Artificial Analysis le crédite de 26 points, derrière plusieurs modèles ouverts chinois et loin des têtes d’affiche fermées.

Évaluations: 26 points, vitesse en hausse, coûts en baisse

La version finale haute performance de Large 4 obtient 26 points sur l’Intelligence Index, contre 25 pour la prévisualisation. DeepSeek V4.1 Flash et GLM-5.3 atteignent chacun 32 points, tandis que MiMo-V2.6-Pro est à 30. Au sommet, Google Gemini 4 Carbon mène avec 59 points, juste devant Claude Opus 5.5, et Kimi K3.1 Pro est le meilleur modèle ouvert avec 46 points, ses poids n’étant pas encore publics. Côté exécution, Large 4 passe à 161 tokens par seconde contre 111 auparavant ; seuls DeepSeek V4.1 Flash et Muse Wonder font mieux dans la comparaison d’Artificial Analysis. Le coût moyen par tâche descend à 2,06 dollars, contre 5,54 lors de la prévisualisation. Il reste inférieur à GLM-5.3 (5,01 dollars) et Kimi K3.1 Pro (3,68), mais demeure au-dessus de DeepSeek V4.1 Flash (0,60) et MiMo-V2.6-Pro (0,26). Artificial Analysis juge encore élevé son prix par token face à des modèles ouverts de taille similaire. Le modèle a généré 110 millions de tokens de sortie sur l’index, contre 150 millions précédemment, alors que la médiane des modèles comparables est à 100 millions. L’accès à Gemini 4 Carbon reste limité à des partenaires cybersécurité.

Tarifs API ajustés et licence avec clause cloud

Via l’API, Large 4 est facturé 0,70 dollar par million de tokens en entrée et 2,10 dollars en sortie, après des tarifs de prévisualisation à 1,36 et 4,18. Mistral avait appliqué pendant deux semaines un rabais à 0,68 et 2,09 ; les nouveaux prix s’y rapprochent. À titre de comparaison, Kimi K3.1 Pro s’établit à 2 dollars l’entrée et 10 dollars la sortie. Le modèle est publié sous une licence MIT modifiée, autorisant l’usage, la modification et le déploiement commercial gratuits. En revanche, une licence distincte est requise pour proposer Large 4 en service cloud commercial. Mistral le présente comme une IA souveraine, entièrement entraînée en Europe et déployable sur serveurs privés. Il est également accessible sur Microsoft Foundry.

Codage: progression marquée sur Terminal-Bench et tests à l’aveugle

Après trois semaines d’entraînement supplémentaires, Large 4 progresse de 28 % à 41 % sur Terminal-Bench 4.0, devant GLM-5.3 à 40 %. Mistral annonce 48 % sur l’Index des Agents de Codage d’Artificial Analysis, à peu près au niveau de GLM-5.3, avec 47 % de tokens en moins. Claude Code avec Claude Opus 5.5 mène cet index avec 62 points. Sur FrontierCode 2.0, Large 4 arrive en tête des modèles ouverts avec 19,7 %, tandis que Claude Opus 5.5 obtient 46 %. Selon des comparaisons à l’aveugle menées par Surge, le code de Large 4 est plus souvent préféré à celui de GLM-5.3, Kimi K3 et DeepSeek, mais il ne remporte que 22 % des duels face à Opus 5.5. Les classements d’agents de codage confirment la domination des modèles Claude Code, avec Large 4 et GPT-6.1 Terra positionnés dans le meilleur quadrant valeur/coût parmi 30 modèles, selon une frontière d’efficacité de Pareto. Les comparaisons publiées par Mistral ne prennent pas en compte Kimi K3.1 Pro, dont les poids ne sont pas publics ; Moonshot prévoit leur publication d’ici le 4 novembre 2026. Kimi K3.1 Pro est donné à 67 % sur Terminal-Bench 4.0.

Cybersécurité: 51 % au Cyber Index, mais des rivaux ouverts devant

Mistral présente Large 4 comme un leader ouvert en défense, mais ses propres éléments indiquent DeepSeek V4.1 Flash à 57 % et MiMo-V2.6-Pro à 56 %, devant Large 4 à 51 % sur l’Index Cyber d’Artificial Analysis, juste devant GLM-5.3 Flash à 50 %. Kimi K3.1 Pro mène avec 64 %. L’entraînement supplémentaire n’a apporté qu’un point par rapport aux 50 points de la prévisualisation. En mode haute performance, Large 4 affiche 51 pour 1,21 dollar par tâche, quand DeepSeek V4.1 Flash 1017 obtient un score plus élevé pour une fraction du coût. Mistral indique un taux moyen de refus de 96,6 % pour des requêtes malveillantes et cible des usages défensifs légitimes. L’entreprise reconnaît toutefois le risque d’abus et prévoit de renforcer les garde-fous dans les prochains mois. Orange Cyberdefense fait partie des partenaires qui testent une version spéciale orientée tests de pénétration, avec un accès soumis à révision et à des contraintes contractuelles.

Poids publiés, capacités multimodales et exigences matérielles

Mistral a mis en libre accès les poids de Large 4 sur Hugging Face trois semaines après la prévisualisation. Le modèle accepte des entrées texte et image et génère du texte et du code. La documentation SGLang indique une configuration de référence sur huit GPU Nvidia B300, et une variante compressée sur quatre GPU GB300. Les premiers essais indépendants soulignent de bonnes performances en codage.

Méthode d’entraînement et feuille de route annoncée

Après la prévisualisation, Mistral a poursuivi un apprentissage par renforcement, décrivant des gains notables en codage et en défense. Pierre Stock et Corentin Petit détaillent une approche fondée sur des tâches internes de difficulté croissante, avec pour limite la complexité des tâches que l’équipe peut concevoir et vérifier. La société présente l’ensemble comme un « pari de deux ans ». Elle affirme aussi des progrès sur des usages bureautiques, avec un rang juste derrière Kimi K3 parmi les modèles ouverts pour l’édition de feuilles financières et la recherche web. Mistral indique travailler avec une fraction des moyens des laboratoires américains et chinois et soutient qu’avec dix fois plus de capital, elle prendrait la tête. Large 4 doit servir de base à des modèles spécialisés, sans commentaire à ce stade sur des versions plus petites. Sur l’Intelligence Index, Large 4 est crédité de 26 points et reste derrière plusieurs modèles chinois ouverts et les meilleurs systèmes fermés. Mistral met en avant des prix API abaissés.