Mistral Large 4 : mille milliards de paramètres en libre accès

Le Chonk sort de sa cage

Le 29 octobre, Mistral a mis en ligne les poids de Mistral Large 4. Pas une démo, pas un accès sous contrat : les fichiers, téléchargeables sur Hugging Face, qu’une entreprise ou une administration peut installer sur ses propres machines et faire tourner sans demander la permission à personne.

Le modèle affiche 1 050 milliards de paramètres au total, dont 49 milliards seulement activés pour une tâche donnée — architecture à mélange d’experts, la norme à cette échelle. En interne, les équipes l’ont baptisé le Chonk. Le surnom est passé dans la communication officielle, ce qui en dit long sur l’ambiance.

Le calendrier de Mistral Large 4 a été inhabituel. Preview API le 6 octobre. Puis trois semaines de tests réservés à des sociétés de cybersécurité et des agences publiques, avec des versions aux garde-fous allégés. Les poids publics ont suivi fin octobre.

Ce qu’il y a dans la boîte

Les chiffres d’entraînement, rarement aussi détaillés chez un éditeur européen :

• entraîné de zéro en à peu près deux mois ;
• entre 3 800 et 4 000 GPU Nvidia Grace Blackwell ;
• dans des centres de données européens, pour une puissance appelée d’environ 10 mégawatts ;
• plus de 160 langues au menu, dont toutes les langues officielles de l’Union européenne.

Le modèle est multimodal en entrée : il lit du texte et des images, il ne produit que du texte. Mistral met en avant une compétence précise, le visual grounding — localiser un objet dans une image et le décrire. C’est moins spectaculaire qu’un générateur de vidéo, mais ça irrigue des métiers entiers : expertise de sinistres, inspection d’ouvrages d’art, suivi de parcelles agricoles, lecture de plans techniques à convertir en CAO.

Sur le benchmark DIOR-RSVG, Large 4 revendique 73 % contre 68 % pour GPT-6 Astra. Sur Dense200, les deux sont à égalité à 42 %.

Les benchmarks, et ce qu’ils ne disent pas

Ici, deux récits s’affrontent, et il faut regarder quel chiffre on cite.

Sur DeepSWE v1.1, un test de codage agentique, les relevés publiés par Mistral donnent 62 % pour Large 4, 61 % pour GLM-5.3 de Zhipu et 57 % pour DeepSeek-V4-Pro. Des analyses indépendantes situent pourtant GLM-5.3 et Kimi K3 autour de 69 %, et les modèles fermés vers 74 %. Autrement dit : selon le protocole retenu, Large 4 passe de leader à retardataire. Prudence.

Sur FinWorkBench (finance), 67 %, à égalité avec DeepSeek-V4-Pro, contre 65 % pour GLM-5.3 — et 37 % pour Mistral Medium 3.5, ce qui donne la mesure du saut générationnel interne.

Sur le benchmark juridique de Harvey, 15 %. Devant Kimi K3 (13 %) et très loin devant GPT-6 Astra (5 %). Des scores absolus aussi bas rappellent surtout qu’aucun modèle ne sait encore faire ce métier.

Mistral avance un autre argument, moins visible mais plus concret pour qui paie la facture : à performance comparable, son modèle consommerait 47 % de tokens en moins que GLM-5.3. En production, c’est directement de la trésorerie. Et sur le Coding Agent Index d’Artificial Analysis, il arrive premier des modèles à poids ouverts.

Une réserve de taille : tant que des tiers n’ont pas réévalué les poids finaux, ces chiffres restent déclaratifs.

La cybersécurité comme argument de vente

C’est l’angle le plus politique de cette sortie. Mistral ne dit pas que son modèle code mieux ; il dit qu’on ne peut pas vous le couper.

Guillaume Lample, cofondateur, formule l’idée sans détour : une entreprise ne peut pas se permettre d’être vulnérable au fait que le modèle qui la protège puisse disparaître du jour au lendemain. Pierre Stock, vice-président science, pousse le même raisonnement : un modèle à poids ouverts ne peut pas vous être refusé.

L’argument prend du poids dans un contexte où les attaquants jailbreakent les modèles fermés pour mener des opérations offensives. Les défenseurs, eux, se heurtent aux filtres de sécurité des mêmes modèles quand ils veulent analyser un exploit. D’où les versions moins bridées distribuées pendant trois semaines à des équipes de sécurité et à des agences d’État.

Arthur Mensch, le patron, y ajoute sa ligne habituelle : l’IA comme outil d’émancipation plutôt que de domination, et le refus de dépendre de fournisseurs étrangers pour des capacités critiques. On peut trouver la formule commode pour une entreprise française qui vend de la souveraineté. Elle n’en est pas fausse pour autant.

Poids ouverts ne veut pas dire open source

Point que beaucoup de reprises ont escamoté : Large 4 ne sort pas sous Apache 2.0, contrairement à certains modèles précédents de la maison. Il sort sous licence Mistral maison.

Conséquence pratique : on peut télécharger, installer, auditer, faire tourner hors ligne. On ne peut pas forcément en faire ce qu’on veut commercialement. Les conditions comptent autant que le fichier de poids, et c’est le juriste qui tranchera, pas l’ingénieur.

L’autre limite est matérielle. Un modèle de cette taille ne tourne pas sur un poste de travail, ni sur un ordinateur portable, ni sur une carte graphique de joueur. Il faut un cluster. Le libre accès est donc réel, mais il s’adresse à des structures capables d’héberger plusieurs dizaines de milliers d’euros de matériel — ou de louer du calcul, ce qui réintroduit une dépendance par la porte de derrière.

Qui va s’en servir

Mistral revendique déjà plus de 125 grands comptes, parmi lesquels Airbus, ASML et HSBC. Trois profils de clients se dessinent pour Mistral Large 4 :

• les administrations et les acteurs de défense, qui ne peuvent pas envoyer leurs données chez un fournisseur américain ;
• les banques et les assureurs, soumis à des exigences de traçabilité qu’une API fermée satisfait mal ;
• les industriels qui exploitent de l’image technique et à qui le visual grounding parle immédiatement.

Le nerf de la guerre reste le calcul. Les 3 milliards d’euros levés en série D en septembre doivent financer des capacités additionnelles qui arriveront progressivement jusqu’au premier semestre 2027.

Ce qui se joue derrière

Pendant deux ans, le libre accès en IA était chinois. Qwen, DeepSeek, GLM, Kimi : les meilleurs poids ouverts sortaient de Hangzhou ou de Pékin, et l’Europe suivait avec des modèles plus petits. Large 4 est la première tentative européenne sérieuse de jouer dans cette catégorie à l’échelle du téraparamètre.

Le pari est lisible : si les modèles fermés gagnent la course à la performance brute, ils perdent celle de la confiance institutionnelle. Un ministère de la Défense, un opérateur d’infrastructure critique, un hôpital, n’achètent pas un score de benchmark. Ils achètent la garantie que le système sera encore là dans cinq ans, auditable, et sans clause de résiliation unilatérale à l’autre bout d’un océan.

Les prochaines semaines diront si les évaluations indépendantes confirment les chiffres annoncés. C’est le seul test qui compte vraiment.