Le Chonk : Mistral dévoile Large 4, un modèle ouvert à 1 000 milliards de paramètres

Mistral lance la préversion publique de Large 4, surnommé « le Chonk »

L'annonce a été publiée le 6 octobre 2026 sur le blog officiel de Mistral AI. La start-up présente Mistral Large 4, abrégé ML4 en interne et rebaptisé « le Chonk » sur un ton volontairement décalé. Il s'agit pour l'instant d'une préversion publique : le modèle est disponible via l'API de Mistral Studio, la plateforme de l'entreprise.

ML4 compte 1 000 milliards de paramètres au total, dont 49 milliards « actifs ». Pour rappel, un modèle qui n'active qu'une partie de ses paramètres à chaque requête gagne en rapidité et en coût d'exécution, tout en conservant une grande capacité. Mistral promet de détailler l'architecture au moment de la publication des poids.

Le modèle est nativement multimodal : il traite le texte et les images, qu'il s'agisse de documents, de graphiques ou de photos. Mistral le décrit comme son modèle le plus grand et le plus performant à ce jour, et précise qu'il continue de progresser à mesure que l'entraînement se poursuit.

Des performances revendiquées face aux meilleurs modèles ouverts

Mistral affirme que ML4 se situe au niveau des modèles open source les plus performants au monde et qu'il surpasse nettement tout modèle ouvert conçu aux États-Unis ou en Europe. Sur certains usages professionnels (cybersécurité, finance, droit), l'entreprise le présente comme l'état de l'art parmi les modèles ouverts.

Quelques résultats mis en avant par Mistral :

• Code : 61,7 % sur DeepSWE v1.1 et 28,3 % sur Terminal-Bench 4, deux tests de résolution de tâches de développement réelles. Mistral le place devant DeepSeek V4 Pro et Qwen3.8 Max sur son indice combiné.
• Évaluation humaine en aveugle : dans un test mené avec Surge AI, ML4 arrive deuxième sur cinq modèles pour la qualité du code (3,74 sur 5), derrière Claude Opus 5 (4,22) et devant Kimi K3 et GLM-5.3.
• Agents : 59,9 % sur AutomationBench, qui regroupe 657 tâches métier dans des outils comme Gmail, Google Sheets, Slack ou Salesforce.
• Vision : sur la localisation d'éléments dans des images denses (test Dense 200), ML4 obtient 42 %, contre 41 % pour GPT-6 Astra d'OpenAI.
• Droit et finance : selon des évaluations menées par le tiers vals.ai, ML4 dépasse GPT-6 Astra sur des tâches juridiques et financières représentatives.

Ces chiffres proviennent tous de la communication de Mistral. La plupart des tests sont réalisés en interne ou commandés par l'entreprise, et aucune évaluation indépendante complète n'a encore été publiée sur cette préversion.

La cybersécurité, argument central de l'annonce

Mistral consacre une large part de son annonce à la sécurité informatique. Selon l'entreprise, ML4 figure parmi les cinq meilleurs modèles mondiaux sur l'Artificial Analysis Cyber Index, une évaluation indépendante de la capacité des IA à trouver et corriger des failles dans du code réel. Sur l'un des tests de cet indice, qui consiste à reproduire une vulnérabilité existante puis à la corriger, ML4 atteint 82 %, le meilleur score tous modèles confondus.

Mistral explique cet écart par une différence de comportement. D'après l'entreprise, plusieurs modèles fermés, dont Claude Opus 5.5 et GPT-6 Astra, obtiennent un score proche de zéro sur ce test parce qu'ils refusent d'effectuer la tâche. L'argument avancé : prouver qu'une faille existe est souvent la première étape pour s'en protéger, et des filtres trop stricts peuvent bloquer un travail défensif légitime.

Mistral assure en parallèle que ML4 refuse davantage les demandes malveillantes que les autres modèles open source testés. Avant la publication des poids, le modèle est soumis à des tests offensifs (« red-teaming ») avec des acteurs de la cybersécurité, des partenaires sélectionnés et des autorités publiques, qui accèdent à une version moins modérée.

Un modèle entraîné et hébergé en Europe

ML4 a été entraîné de zéro sur 3 800 GPU NVIDIA Grace Blackwell, dans les datacenters européens de Mistral. La préversion publique tourne sur cette même infrastructure. Le modèle sera déployé dans plusieurs régions du monde, dont une offre européenne que Mistral opère de bout en bout, indépendamment d'autres fournisseurs de services numériques et sous droit européen.

L'entreprise insiste sur le volet multilingue : une part importante des données d'entraînement couvre plus de 160 langues, dont l'ensemble des langues officielles de l'Union européenne. Mistral indique aussi avoir travaillé avec de grandes entreprises de secteurs variés (finance, industrie, logistique, pharmacie, secteur public) pour entraîner le modèle.

Côté financement, Mistral présente ML4 comme la première étape d'une feuille de route financée par sa série D de 3 milliards d'euros, qu'elle décrit comme la plus grande levée de fonds en capital jamais réalisée par une entreprise technologique européenne. Une partie de ces fonds sert à augmenter la capacité de calcul de ses datacenters européens.

Ce que ML4 peut changer pour les équipes SEO et contenu

Pour les professionnels du référencement et du contenu, l'intérêt principal tient à la publication des poids. Un modèle « open weight » peut être téléchargé et exécuté sur ses propres serveurs ou dans un cloud privé. Autrement dit, une agence ou une équipe marketing pourra, à terme, faire tourner un modèle de ce niveau sans envoyer ses données à un prestataire tiers.

Plusieurs capacités annoncées concernent directement les métiers du contenu :

• Multilinguisme : l'entraînement sur plus de 160 langues intéresse les équipes qui produisent ou localisent des contenus pour plusieurs marchés européens.
• Compréhension de documents : Mistral met en avant la lecture de PDF, de graphiques et de documents complexes, utile pour exploiter des études, des rapports ou des audits.
• Automatisation : les résultats sur AutomationBench (tâches dans Google Sheets, Gmail ou Slack) concernent les flux de travail répétitifs, comme le reporting ou la consolidation de données.
• Production de livrables : Mistral affirme que ML4 sait créer et corriger des tableurs, des présentations et des PDF.

L'argument de souveraineté pèse aussi pour les clients soumis à des contraintes de confidentialité ou de conformité, dans la santé, la finance ou le secteur public. Mistral annonce par ailleurs que ML4 servira de base à une nouvelle génération de modèles spécialisés et optimisés.

Des poids attendus fin octobre et encore plusieurs inconnues

Mistral annonce la publication des poids d'ici la fin octobre 2026, accompagnée de détails sur l'architecture, de benchmarks supplémentaires et de sa méthode de post-entraînement. L'entreprise précise que l'entraînement par renforcement du modèle est toujours en cours et ne montre « aucun signe de saturation ». Elle s'attend donc à des améliorations rapides dans les semaines à venir, ce qui signifie que les performances de la préversion ne sont pas définitives.

Plusieurs points restent en suspens. Mistral ne précise pas sous quelle licence les poids seront publiés, ce qui conditionnera les usages commerciaux possibles. Les tarifs de l'API ne figurent pas non plus dans l'annonce. Enfin, faire tourner un modèle de 1 000 milliards de paramètres demande une infrastructure conséquente : l'auto-hébergement restera, dans un premier temps, réservé aux organisations qui disposent des moyens techniques nécessaires.