Mistral AI revient dans la course aux grands modèles avec Mistral Large 4, son premier modèle de cette ampleur depuis Large 3, lancé en décembre 2025. Après plusieurs mois de critiques sur son recul face aux laboratoires américains et chinois, l’entreprise française mise sur une architecture à poids ouverts, pensée aussi bien pour le raisonnement que pour les usages professionnels. Son pari : offrir aux organisations davantage de contrôle sur l’hébergement et le déploiement, sans renoncer aux capacités multimodales.
En bref :
- 1 050 milliards de paramètres, dont 49 milliards activés, avec une architecture Mixture-of-Experts.
- Une fenêtre de contexte d’un million de tokens, un encodeur de vision et la prise en charge native de plus de 160 langues.
- Une préversion publique est accessible par API ; la publication des poids est annoncée pour le 26 octobre.
- Mistral revendique une place de premier plan parmi les modèles ouverts occidentaux, tout en reconnaissant la concurrence des modèles chinois.
- Le tarif annoncé est de 1,36 dollar par million de tokens en entrée et 4,18 dollars en sortie, mais la documentation affiche actuellement des prix divisés par deux.
Pour une PME qui veut analyser des documents sensibles ou automatiser certaines tâches, la question ne se résume pas à « quel modèle obtient le meilleur score ? ». Il faut aussi regarder où les données sont hébergées, comment le système peut être adapté et quel sera le coût réel à l’usage. C’est sur ces critères, autant que sur les performances, que Mistral Large 4 cherche à faire la différence.
Mistral Large 4 : un modèle hybride conçu pour les usages professionnels
Surnommé « le Chonk » en interne, Mistral Large 4 réunit dans un même modèle des capacités d’instruction, de raisonnement et d’action agentique. Autrement dit, il peut répondre à une consigne, approfondir un problème ou enchaîner des étapes pour accomplir une tâche, selon les besoins de l’application.
Comme avec Mistral Small 4, les développeurs peuvent ajuster l’intensité du raisonnement via le paramètre reasoning_effort. C’est utile pour éviter de mobiliser davantage de calcul que nécessaire : une réponse simple n’exige pas le même traitement qu’une analyse financière ou une revue de code.
Une fenêtre de contexte d’un million de tokens et une entrée visuelle
Le modèle repose sur une architecture Mixture-of-Experts de 1 050 milliards de paramètres, dont 49 milliards sont actifs à la fois. Il comprend aussi un encodeur de vision de 1,6 milliard de paramètres, ce qui lui permet de traiter des images en complément du texte.
Sa fenêtre de contexte atteint un million de tokens et il maîtrise nativement plus de 160 langues, dont toutes les langues officielles de l’Union européenne. Pour une entreprise, cela peut faciliter l’analyse de dossiers volumineux ou de contenus multilingues, mais la qualité doit toujours être vérifiée sur des exemples représentatifs de son activité.
| Caractéristique | Ce qu’elle peut apporter |
|---|---|
| 1 050 milliards de paramètres, 49 milliards actifs | Une architecture conçue pour répartir le traitement entre des experts spécialisés. |
| Contexte d’un million de tokens | La possibilité de traiter de longs documents ou de vastes historiques dans une même requête. |
| Encodeur de vision de 1,6 milliard de paramètres | L’analyse d’images en complément des échanges textuels. |
| Plus de 160 langues prises en charge | Un intérêt potentiel pour les équipes et les contenus multilingues. |
Ces caractéristiques donnent une idée de l’échelle du modèle, pas une garantie de résultat : un test métier reste indispensable avant tout déploiement.
La démonstration la plus utile pour une équipe consiste à comparer les réponses du modèle sur ses propres documents, avec des critères simples : exactitude, temps de traitement et coût par tâche.
Modèles chinois à poids ouverts : le défi que Mistral veut relever
Mistral AI présente Large 4 comme le meilleur modèle à poids ouverts conçu en Europe ou aux États-Unis. La formulation est précise : elle ne signifie pas que le modèle surpasse tous les systèmes ouverts du monde. Sur ce terrain, des acteurs chinois comme Kimi, DeepSeek et GLM occupent une place importante, et Mistral reconnaît que certains restent plus performants dans plusieurs domaines.
L’entreprise revendique néanmoins des résultats de pointe parmi les modèles ouverts dans des secteurs comme la cybersécurité, la finance, l’industrie et le traitement multimodal. Elle affirme également que Large 4 dépasse des modèles fermés sur le repérage d’objets dans les images, appelé visual grounding. Ces résultats sont à lire comme des affirmations de l’éditeur, à confronter aux évaluations indépendantes et aux tests des utilisateurs.
Pourquoi les poids ouverts comptent pour les entreprises
Lorsque les poids d’un modèle sont publiés, une organisation peut, selon sa configuration technique et les conditions de licence, l’héberger sur sa propre infrastructure ou l’adapter à ses besoins. C’est un argument concret pour les secteurs qui doivent garder la maîtrise de leurs données, notamment la santé, la finance ou la défense.
Cette approche réduit aussi la dépendance à l’égard d’un fournisseur unique. Elle ne supprime pas les contraintes : il faut disposer des ressources matérielles, assurer la maintenance et vérifier les modalités d’utilisation. Pour une entreprise fictive comme Atelier Nova, qui traite des dossiers clients confidentiels, le choix se ferait donc après un essai local comparant conformité, performances et coûts.
- Hébergement maîtrisé : les équipes peuvent envisager un déploiement sur leur propre infrastructure.
- Moins de dépendance : le fonctionnement ne repose pas exclusivement sur l’accès continu à une API externe.
- Plus de travail côté entreprise : infrastructure, sécurité, mises à jour et évaluation restent à organiser.
- Vérification de la licence : publier les poids ne signifie pas automatiquement que toutes les formes d’usage sont sans restriction.
Les poids ouverts apportent donc une marge de contrôle, mais pas une solution clé en main : la valeur se mesure à l’adéquation avec les contraintes réelles de l’organisation.
La comparaison pertinente ne consiste pas seulement à opposer des scores : elle doit inclure les coûts d’exploitation, la confidentialité et la facilité de déploiement.
Entraînement en Europe, préversion et disponibilité de Mistral Large 4
Mistral indique que Large 4 a été entraîné de bout en bout en Europe, sur 4 000 GPU installés dans ses propres centres de données. Cette capacité reste plus modeste que celle des grands groupes américains, mais l’entreprise prévoit de la renforcer grâce à une levée de fonds de 3 milliards d’euros bouclée en septembre.
Le modèle est accessible aux développeurs en préversion publique par API sous l’identifiant mistral-large-4. Certains partenaires de la cybersécurité et des autorités publiques disposent également d’une préversion privée, moins modérée, avec accès aux poids du modèle.
Prix de l’API et publication des poids
La publication des poids est annoncée pour le 26 octobre, avec des versions quantifiées FP8 et FP4. Selon Mistral, elles pourront être déployées sur quatre à huit GPU B200 ou B300 : un point à vérifier en fonction de la configuration retenue et des exigences de performance.
Le tarif communiqué s’élève à 1,36 dollar par million de tokens en entrée et 4,18 dollars en sortie. La documentation affiche pour l’instant des prix deux fois moins élevés sans préciser la durée de cette remise ; pour établir un budget, mieux vaut donc confirmer le tarif applicable au moment du test.
| Accès ou coût | Détail annoncé | À vérifier avant déploiement |
|---|---|---|
| Préversion publique | API sous l’identifiant mistral-large-4 | Disponibilité et limites d’usage. |
| Publication des poids | Prévue le 26 octobre, avec versions FP8 et FP4 | Licence, matériel et coûts d’hébergement. |
| Tokens en entrée | 1,36 dollar par million | La documentation affiche actuellement un montant divisé par deux. |
| Tokens en sortie | 4,18 dollars par million | La durée de la réduction affichée n’est pas précisée. |
Mistral prévoit aussi de faire de Large 4 le modèle par défaut de son assistant Vibe, qui s’appuie actuellement sur Mistral Medium 3.5. Pour les équipes déjà utilisatrices, le changement mérite un test comparatif : les résultats et les coûts peuvent varier selon les tâches.
Ce qu’il faut tester avant de choisir Mistral Large 4
Pour éviter de se laisser guider uniquement par les annonces de performances, une équipe peut commencer par un test court sur des tâches déjà rencontrées au quotidien. Par exemple : résumer un dossier long, repérer des éléments dans une image et produire une réponse dans plusieurs langues.
Notez les résultats dans un tableau partagé : exactitude, temps de réponse, coût estimé et éventuelles erreurs. Cette méthode donne un point de comparaison concret avec les outils déjà utilisés, et aide à décider si l’hébergement par API ou sur une infrastructure interne est le plus adapté.
- Choisir trois à cinq tâches représentatives de votre activité.
- Tester le modèle sur des exemples anonymisés et suffisamment variés.
- Comparer la qualité des réponses avec votre solution actuelle.
- Calculer le coût estimé à partir du volume réel de tokens.
- Vérifier les exigences de confidentialité, la licence et les besoins matériels.
Un essai limité, documenté et comparable vaut mieux qu’une décision prise sur la seule base d’un classement : c’est le moyen le plus fiable de savoir si Large 4 répond à un besoin précis.
Questions fréquentes sur Mistral Large 4
Qu’est-ce que Mistral Large 4 ?
Mistral Large 4 est un modèle d’IA de Mistral AI qui combine instruction, raisonnement et capacités agentiques. Il traite du texte et des images, avec une fenêtre de contexte annoncée d’un million de tokens.
Quand les poids de Mistral Large 4 seront-ils publiés ?
Mistral AI prévoit de publier les poids le 26 octobre, avec des versions quantifiées FP8 et FP4.
Mistral Large 4 est-il plus performant que les modèles chinois ouverts ?
Mistral le présente comme le meilleur modèle à poids ouverts conçu en Europe ou aux États-Unis, mais cette revendication ne signifie pas qu’il dépasse tous les modèles chinois. L’entreprise reconnaît que certains concurrents, comme Kimi, DeepSeek ou GLM, restent meilleurs dans plusieurs domaines.
Combien coûte l’utilisation de Mistral Large 4 par API ?
Le tarif annoncé est de 1,36 dollar par million de tokens en entrée et de 4,18 dollars par million en sortie. La documentation affiche actuellement des prix divisés par deux, sans préciser la durée de cette remise.
Pourquoi choisir un modèle à poids ouverts pour une entreprise ?
La publication des poids peut permettre un hébergement et une adaptation plus maîtrisés, ainsi qu’une dépendance moindre à une API externe. Elle implique toutefois de gérer l’infrastructure, la maintenance, la sécurité et les conditions de licence.
