Le point de contrôle Le Chonk de Mistral, avec 1 000 milliards de paramètres, débarque sur Hugging Face

Le 29 octobre 2026, Mistral AI a publié les poids de Mistral Large 4, son modèle phare nativement multimodal de 1 000 milliards de paramètres, connu sous le nom de Le Chonk. Le point de contrôle peut être téléchargé depuis Hugging Face pour être hébergé par ses utilisateurs et est accessible via son API et les plateformes de ses partenaires, sous une licence à poids ouverts MIT modifiée.

Cette publication fait suite à la préversion publique du modèle, le 6 octobre 2026, date à laquelle Mistral a présenté pour la première fois son système à mélange d’experts de 1 050 milliards de paramètres. Dans son annonce, Mistral a indiqué avoir pris en compte les retours sur la préversion tout en continuant à intensifier l’apprentissage par renforcement, ce qui a permis, selon l’entreprise, des progrès majeurs en programmation, en cybersécurité défensive et en efficacité du raisonnement. L’entreprise a présenté Mistral Large 4 comme le meilleur modèle à poids ouverts pour la programmation et a déclaré que les progrès continuaient de s’accélérer, sans signe de saturation.

Licence, tarification et disponibilité

Les poids sont publiés sur Hugging Face sous la licence Mistral Ecosystem Open-Weight, une version modifiée de la licence MIT. Selon ses conditions, le modèle peut être utilisé, modifié, affiné et commercialisé gratuitement, à une condition : les entreprises qui proposent un service de modèle en tant que service (Model-as-a-Service) doivent obtenir au préalable une licence commerciale distincte auprès de Mistral pour utiliser le modèle à des fins commerciales.

Selon la documentation du modèle de Mistral, l’accès à l’API coûte 0,70 $ par million de jetons d’entrée, 0,07 $ par million de jetons d’entrée mis en cache et 2,10 $ par million de jetons de sortie. Le modèle est proposé sous le nom mistral-large-4 via l’API Mistral et Mistral Studio. Il est également accessible via OpenRouter, l’assistant de programmation Vibe Code de Mistral, des points de terminaison hébergés par NVIDIA avec un conteneur NVIDIA NIM optimisé, ainsi que Microsoft Foundry. Mistral a indiqué que des options de déploiement privé étaient proposées aux développeurs Azure via Foundry. Tina Schuchman, vice-présidente d’entreprise de Foundry chez Microsoft, a déclaré que Microsoft était le premier fournisseur de services cloud à proposer Mistral Large 4 à ses clients.

Benchmarks de programmation et modes de raisonnement

Selon Mistral, Mistral Large 4 arrive en tête du benchmark privé FrontierCode 2.0 de Cognition, qui évalue la qualité du code de bout en bout et détermine si un responsable de la maintenance d’un dépôt intégrerait les modifications proposées par un agent. Le modèle obtient un score de 19,7 %, devant les modèles à poids ouverts répertoriés, notamment GLM-5.3, Kimi K3 et DeepSeek V4.1 Flash.

Dans l’Artificial Analysis Coding Agent Index, Mistral a annoncé un score de 48 %, qu’elle estime pratiquement à égalité avec celui du modèle à poids ouverts en tête, GLM-5.3, tout en utilisant en moyenne 47 % de jetons de moins par tâche. Pour Terminal-Bench 4.0, l’entreprise a fait état d’une progression de 13 points de pourcentage par rapport à la préversion publique, portant le score à 41 % et plaçant le modèle en tête des modèles à poids ouverts, avec une réduction de 30 % du nombre de jetons de sortie. Dans les évaluations à l’aveugle de préférences humaines par comparaison deux à deux de Surge Code citées par Mistral, le modèle a été préféré à GLM-5.3, Kimi K3 et DeepSeek V4.1 Flash ; parmi les modèles évalués, seul Claude Opus 5.5 l’a devancé.

Le modèle propose trois modes de raisonnement : faible, moyen et élevé, ce dernier étant le mode par défaut. Mistral a précisé que le mode faible remplaçait l’ancien mode de raisonnement « None » et convenait aux tâches simples, tandis que le mode moyen répondait aux usages quotidiens et que le mode élevé était destiné aux cas les plus difficiles nécessitant un raisonnement approfondi. Les développeurs peuvent ainsi arbitrer entre performances et coûts.

Résultats en cybersécurité et modifications des garde-fous

Mistral a annoncé un score de 51 % à l’Artificial Analysis Cyber Index, qui mesure la capacité d’un modèle à découvrir des vulnérabilités dans une base de code, à les reproduire et à les valider, puis à les corriger sans compromettre les fonctionnalités existantes. L’entreprise a déclaré que le modèle répondait aux tâches légitimes de sécurité défensive sans refus inutiles, tandis que ses garde-fous intégrés distinguaient les tâches défensives des tâches offensives malveillantes. Mistral a fait état d’un taux moyen de refus de 96,6 % face aux demandes malveillantes liées au cyber, dans les requêtes relatives à la cybersécurité de JailbreakBench, StrongREJECT et AgentHarm, précisant qu’il s’agissait du taux le plus élevé qu’elle ait mesuré parmi les modèles ouverts.

L’annonce indiquait également que Mistral avait surveillé les usages liés à la cybersécurité dans le trafic réel après la préversion. L’entreprise a déclaré avoir observé que le modèle refusait de se conformer à des attaques en boîte noire contre des cibles réelles, mais qu’elle estimait qu’il pourrait faciliter la conduite de véritables attaques et modifiait donc ses garde-fous en conséquence. De nouvelles mises à jour sont prévues dans les prochains mois. Des partenaires de conception du secteur, tels qu’Orange Cyberdefense, ont accès en préversion à une variante spécialisée de Mistral Large 4, optimisée pour les tests d’intrusion, l’évaluation des vulnérabilités et les exercices d’équipe rouge, sous réserve d’un contrôle préalable et de garanties contractuelles limitant les tests aux systèmes détenus ou explicitement autorisés, dans des environnements contrôlés.

L’annonce présentait également des déclarations sur les évaluations de la part de dirigeants de Booz Allen Hamilton, Cisco, Cloudflare, CrowdStrike, Elastic, ENISA, Fortinet, NVIDIA, Orange Cyberdefense, Rubrik et Zscaler. Brad Medairy, président de la division nationale de cybersécurité de Booz Allen Hamilton, a déclaré que les tests montraient que le modèle égalait les taux de rappel de détection des vulnérabilités d’autres modèles de pointe en cybersécurité, selon le benchmark interne de l’entreprise consacré à l’analyse de la sécurité du code source.

Architecture et entraînement

Selon la fiche du modèle, Mistral Large 4 est un modèle à mélange d’experts à granularité fine, comptant environ 1 000 milliards de paramètres au total et quelque 52 milliards de paramètres actifs par jeton (49 milliards sans les couches d’incorporation et de sortie), avec 128 experts routés, dont quatre actifs par jeton, ainsi qu’un expert partagé. Il prend en charge une fenêtre de contexte d’un million de jetons et accepte des entrées textuelles et des images, avec une sortie textuelle, grâce à un encodeur visuel de type Pixtral comptant 1,6 milliard de paramètres, entraîné pour gérer des images de dimensions et de formats variés. Mistral indique que le modèle a été entraîné à partir de zéro sur 3 800 GPU NVIDIA Grace Blackwell, dans les propres centres de données de l’entreprise en Europe, et qu’il maîtrise nativement plus de 160 langues, dont toutes les langues officielles de l’Union européenne.

Le point de contrôle est fourni avec une tête de génération spéculative DSpark intégrée, qui propose des blocs de trois jetons. Selon les mesures de Mistral, elle permet d’atteindre un débit jusqu’à 1,9 fois supérieur à celui obtenu en servant uniquement le modèle cible. Un point de contrôle quantifié NVFP4, destiné aux GPU Blackwell, est également disponible. Dans l’Artificial Analysis Intelligence Index v5, la fiche du modèle lui attribue un score de 26, présenté comme le plus élevé parmi les modèles occidentaux à poids ouverts, tout en précisant que les principaux modèles chinois à poids ouverts obtiennent un score supérieur à l’indice global. Mistral a également indiqué que le score de Finch (FinWorkBench) était passé à 73,3 %, ce qui le place au deuxième rang des modèles ouverts, derrière Kimi K3 ; que BrowseComp avait atteint 84,5 % à partir d’un point de contrôle d’ajustement fin supervisé ayant obtenu un score de 75 % ; et que la résistance aux attaques s’élevait à 97,1 % sur le B3 Agent Security Benchmark, contre 93,3 % dans la version préliminaire.

Mistral a déclaré que Mistral Large 4 servirait de fondement à une nouvelle génération de modèles Mistral spécialisés et optimisés, en citant des lancements récents tels que Voxtral et Timestral.