Pourquoi Mistral Large 4 n'est pas encore accessible à tout le monde ?

Mistral fait passer la sécurité avant la commercialisation. Le modèle est d'abord donné à des cyber defenders et des partenaires vérifiés pour du red-teaming, parce qu'il peut trouver des failles zero-day sans aide humaine. L'accès API public viendra après, sans date précise annoncée.

Quelle différence entre un modèle open-weight et un modèle fermé ?

Un modèle open-weight publie ses poids : tu peux le télécharger et le faire tourner sur ta propre infrastructure. Un modèle fermé comme GPT-6 ou Gemini 4 Argon ne donne accès qu'à une API. L'open-weight te donne le contrôle des données, le choix de l'hébergement, et pas de risque de perte d'accès en cours d'incident.

Mistral Large 4 est-il meilleur que GPT-6 ou Gemini 4 Argon ?

Sur le code, Mistral Large 4 scored 61,7% sur DeepSWE v1.1, derrière Gemini 4 Argon (77,9%) mais devant plusieurs modèles open-weight. Sur la cybersécurité, il scored 82% sur un test de reproduction de vulnérabilités, le meilleur score tous modèles confondus, parce que les modèles fermés refusent la tâche. Les benchmarks viennent de Mistral, les tests indépendants doivent confirmer.

Est-ce que je peux utiliser Mistral Large 4 gratuitement ?

La préview API est disponible sur Mistral Studio dès maintenant. Les poids seront libres fin octobre 2026. Une fois les poids publiés, tu peux faire tourner le modèle sur ta propre infrastructure, mais il faut du matériel capable de charger un modèle de cette taille, ce qui reste coûteux.

Actualité · Modèles IA

Mistral Large 4 "le Chonk" : l'Europe a son modèle frontier open-weight

7 octobre 2026 · 5 min de lecture

Illustration aquarelle d'un petit robot astronaute violet fier sur un cercle d'étoiles européen, tenant une pièce de puzzle qui s'insère dans un cerveau/circuit, avec des formes de datacenter en lavande autour

Mistral AI a lancé le 6 octobre 2026 la préversion publique de Mistral Large 4. Surnommé "le Chonk", c'est un modèle de 1000 milliards de paramètres dont 49 milliards actifs par token. Il est open-weight, entraîné et hébergé dans les datacenters de Mistral en Europe. Les poids seront publiés fin octobre. Sur le papier, c'est le modèle open-weight le plus performant au monde, et il bat plusieurs modèles fermés sur des tâches précises comme la cybersécurité.

Voici ce qu'il fait, pourquoi Mistral le garde temporairement fermé, et ce que ça change si tu apprends l'IA en ce moment.

Ce que le Chonk fait de mieux

Le code. Sur DeepSWE v1.1, le benchmark d'ingénierie logicielle en conditions réelles, Mistral Large 4 scored 61,7%. Il est derrière Gemini 4 Argon (77,9%) mais devant DeepSeek V4 Pro et Qwen3.8 Max. Dans une évaluation à l'aveugle menée par Surge AI, des annotateurs professionnels ont classé les sorties de code de ML4 en deuxième position sur cinq, devant Kimi K3, GLM-5.3 et GLM-5.2, derrière Claude Opus 5.

Les agents. Sur AutomationBench, le benchmark de Zapier qui teste 657 workflows business de bout en bout (Gmail, Google Sheets, Slack, Salesforce), ML4 scored 59,9%. Il devance Kimi K3, MiMo-V2.6-Pro et DeepSeek V4 Pro. Sur AA-Briefcase, qui évalue la production de livrables professionnels (tableurs, slides, PDF), il atteint 1393 Elo.

La cybersécurité. C'est ici que ML4 se distingue le plus. Sur le Cyber Index d'Artificial Analysis, il est dans le top 5 mondial. Sur un test qui demande au modèle de reproduire une vraie vulnérabilité open-source puis de la corriger, ML4 scored 82%, le meilleur score tous modèles confondus. Pourquoi ? Claude Opus 5.5 et GPT-6 Astra scored près de zéro sur ce test parce qu'ils refusent la tâche. Leurs filtres de sécurité les empêchent de reproduire une faille, même pour la démontrer. ML4 n'a pas cette limite.

La multimodalité. ML4 est nativement multimodal : il traite texte, code et images. Mistral le présente comme un changement de step pour la compréhension d'images complexes : documents techniques, schémas, imagerie satellite. Sur le visual grounding, la capacité à localiser un élément précis dans une image, ML4 surpasse même des modèles fermés.

1000 milliards de paramètres, 49 milliards actifs

L'architecture est un MoE (Mixture of Experts). 1000 milliards de paramètres totaux, 49 milliards actifs par token. Concrètement, à chaque token généré, le modèle n'active qu'une fraction de ses paramètres. C'est ce qui rend un modèle de cette taille utilisable : tu n'as pas besoin de charger les 1000 milliards en mémoire à chaque inférence, seulement les 49 milliards que le routeur active.

C'est la même famille d'architecture que DeepSeek V4, GLM-5.2, Qwen 3.7 : de grands modèles MoE qui rendent le frontier-class auto-hébergeable. Le compromis : plus de paramètres totaux pour plus de capacité, moins de paramètres actifs pour un coût d'inférence raisonnable.

Pourquoi tu ne peux pas encore télécharger les poids

Mistral fait passer la sécurité avant la commercialisation. Le modèle est en préview API sur Mistral Studio. Les poids arrivent fin octobre, après une phase de red-teaming avec des cyber defenders et des autorités.

La raison tient en un chiffre : 82% sur le test de reproduction de vulnérabilités. Un modèle qui peut trouver et démontrer des failles zero-day sans aide humaine, c'est un outil puissant pour les defenders. C'est aussi un risque si l'outil tombe entre les mauvaises mains. Mistral donne d'abord le modèle à des acteurs vérifiés, comme Google l'a fait avec Gemini 4 Argon.

La différence avec Google : Mistral publiera les poids. Google n'a pas annoncé de date pour l'open-weight d'Argon. L'engagement de Mistral est que les poids seront libres, téléchargeables, modifiables. Après le red-teaming.

Pourquoi ça compte pour l'Europe

ML4 a été entraîné sur 3800 NVIDIA Grace Blackwell GPUs dans les datacenters de Mistral en Europe. Le service de préview tourne sur cette même infrastructure, sous juridiction européenne.

Mistral le dit explicitement : c'est une question de souveraineté. Les entreprises qui veulent du IA pour la cybersécurité ne peuvent pas dépendre d'un fournisseur américain qui pourrait couper l'accès en plein incident. Les modèles fermés peuvent refuser une tâche légitime (comme démontrer une vulnérabilité) à cause de filtres de sécurité. L'open-weight supprime cette dépendance.

Les données d'entraînement couvrent plus de 160 langues, dont toutes les langues officielles de l'Union européenne. Pour l'audience francophone qui apprend l'IA, c'est un modèle qui a vu du français, pas un traduction d'un modèle anglophone.

Un exemple chez Maisons&Mobilia

Antoine, responsable data chez Maisons&Mobilia (M&M, enseigne de meubles fictive), veut tester des modèles open-weight pour l'analyse de tickets support dans les 18 magasins. Il a deux contraintes : les données clients ne sortent pas de son infrastructure, et il veut un modèle qu'il peut auditer.

Antoine télécharge les poids de ML4 quand ils sortent. Il l'héberge sur un serveur GPU on-premise. Le modèle analyse les tickets, les catégorise par type (remboursement, défaut produit, question logistique), et génère des réponses préremplies que l'équipe support valide.

Ce qu'Antoine ne fait pas : il ne laisse pas le modèle accéder à internet. L'agent travaille sur des données internes, pas sur le web ouvert. Et il ne laisse pas le modèle déployer des correctifs tout seul sur la base de tickets. La décision de modifier un processus reste humaine.

Le coût : le serveur GPU on-premise a un coût fixe, pas un coût par token. Pour un volume de 10 000 tickets par mois, c'est moins cher que de payer une API fermée. Mais l'investissement initial du matériel est élevé, et Antoine a besoin d'un ingénieur pour maintenir l'infrastructure. L'open-weight n'est pas gratuit, c'est du contrôle à prix d'ingénieur.

Open-weight vs fermé : le compromis

Le débat open-weight vs fermé se résume à trois axes.

Le contrôle des données. Avec un modèle open-weight hébergé chez toi, tes données ne quittent pas ton infrastructure. Avec une API fermée, tes données transitent par le serveur du fournisseur. La politique de non-rétention d'OpenAI ou d'Anthropic protège juridiquement, mais le contrôle physique disparaît.

La dépendance. Un modèle fermé peut changer ses prix, ses conditions d'utilisation, ou couper l'accès. Mistral cite le cas de la cybersécurité : perdre l'accès à une capacité en plein incident est un risque. L'open-weight supprime ce risque, parce que tu as les poids.

Le coût. L'open-weight est moins cher à l'usage (pas de coût par token), mais plus cher à mettre en place (hardware, ingénierie). Pour un usage intensif et stable, l'open-weight gagne. Pour un usage occasionnel ou exploratoire, l'API est plus simple.

Les limites

Les benchmarks viennent de Mistral. Les scores DeepSWE, AutomationBench et Cyber Index sont ceux de l'éditeur. Les tests indépendants arriveront après la publication des poids. La comparaison avec Gemini 4 Argon se fait sur des benchmarks choisis par Mistral.
Le modèle n'est pas encore téléchargeable. Les poids arrivent "fin octobre". Si tu veux tester maintenant, il faut passer par l'API de Mistral Studio, qui est payante.
La taille compte. 1000 milliards de paramètres, même avec 49 milliards actifs, nécessitent du matériel spécialisé pour l'auto-hébergement. Ce n'est pas un modèle que tu fais tourner sur un laptop. Il faut plusieurs GPUs haut de gamme, ce qui limite l'auto-hébergement aux entreprises qui en ont les moyens.
La concurrence open-weight est dense. Reflection AI a lancé Beam (501B paramètres, 23B actifs) le 5 octobre. Reka a présenté Rho-1 (19B, omni-modal) le 5 octobre. DeepSeek V4 et Qwen 3.7 sont déjà disponibles. ML4 se différencie par la cybersécurité et la souveraineté européenne, mais le concept de grand modèle open-weight devient un standard, pas un avantage en soi.
Les capacités de cybersécurité sont une arme à double tranchant. Mistral assume que le modèle peut trouver des failles, et que cette capacité doit être accessible aux defenders. La question de l'accès reste ouverte : une fois les poids publics, n'importe qui peut les télécharger.

Aller plus loin

Pour comprendre ce qu'est un modèle MoE et pourquoi l'architecture compte, notre article sur comment fonctionne un agent IA pose les bases du tool use et de l'orchestration. Pour voir les garde-fous à mettre en place quand un modèle ou un agent accède à tes données, le guide sur les garde-fous des agents IA détaille le moindre privilège et le human in the loop. Notre article sur Gemini 4 Argon compare en détail l'approche de Google, qui garde son modèle fermé. Et pour t'entraîner à ces notions en 5 minutes par jour, l'app saisir.ai propose des modules interactifs sur les agents, la sécurité et le déploiement, en français, sans coder.

Sources

Questions fréquentes

C'est quoi Mistral Large 4 le Chonk ?: Mistral Large 4, surnommé le Chonk, est le nouveau modèle frontier de Mistral AI, lancé en préversion publique le 6 octobre 2026. C'est un modèle de 1000 milliards de paramètres dont 49 milliards actifs par token, open-weight, entraîné et hébergé dans les datacenters de Mistral en Europe. Les poids seront publiés fin octobre 2026.
Pourquoi Mistral Large 4 n'est pas encore accessible à tout le monde ?: Mistral fait passer la sécurité avant la commercialisation. Le modèle est d'abord donné à des cyber defenders et des partenaires vérifiés pour du red-teaming, parce qu'il peut trouver des failles zero-day sans aide humaine. L'accès API public viendra après, sans date précise annoncée.
Quelle différence entre un modèle open-weight et un modèle fermé ?: Un modèle open-weight publie ses poids : tu peux le télécharger et le faire tourner sur ta propre infrastructure. Un modèle fermé comme GPT-6 ou Gemini 4 Argon ne donne accès qu'à une API. L'open-weight te donne le contrôle des données, le choix de l'hébergement, et pas de risque de perte d'accès en cours d'incident.
Mistral Large 4 est-il meilleur que GPT-6 ou Gemini 4 Argon ?: Sur le code, Mistral Large 4 scored 61,7% sur DeepSWE v1.1, derrière Gemini 4 Argon (77,9%) mais devant plusieurs modèles open-weight. Sur la cybersécurité, il scored 82% sur un test de reproduction de vulnérabilités, le meilleur score tous modèles confondus, parce que les modèles fermés refusent la tâche. Les benchmarks viennent de Mistral, les tests indépendants doivent confirmer.
Est-ce que je peux utiliser Mistral Large 4 gratuitement ?: La préview API est disponible sur Mistral Studio dès maintenant. Les poids seront libres fin octobre 2026. Une fois les poids publiés, tu peux faire tourner le modèle sur ta propre infrastructure, mais il faut du matériel capable de charger un modèle de cette taille, ce qui reste coûteux.