Le 6 octobre 2026, Mistral AI a ouvert la préversion publique de son nouveau modèle phare : Mistral Large 4, surnommé « Le Chonk » en interne. Le clin d’œil vient d’un mème internet qui désigne un chat particulièrement dodu, et le choix se comprend vite quand on lit la fiche technique : environ 1 000 milliards de paramètres au compteur.
Sur l’index indépendant d’Artificial Analysis, ce modèle de langage passe à 38 points, là où la génération précédente plafonnait à 9. De quoi relancer le laboratoire français dans une concurrence technologique largement dominée par les acteurs américains et chinois. Reste une question concrète pour les équipes techniques : quelles tâches peut-on réellement lui confier aujourd’hui, et à quel prix ?
Mistral Large 4 en préversion : ce que Mistral AI annonce noir sur blanc
Le discours de l’éditeur est précis, ce qui change des annonces marketing habituelles. Voici les éléments vérifiables communiqués au moment du lancement.
- Environ 1 000 milliards de paramètres, dont 49 milliards activés par requête grâce à une architecture à mélange d’experts (MoE).
- Un encodeur visuel de 1,6 milliard de paramètres : le modèle accepte texte et images en entrée, et produit du texte.
- Un entraînement réalisé sur 3 800 GPU NVIDIA Grace Blackwell, dans les datacenters européens de Mistral AI.
- Des données couvrant plus de 160 langues, dont les 24 langues officielles de l’Union européenne.
- Une grille tarifaire d’introduction à 1,36 $ par million de tokens en entrée et 4,18 $ en sortie, annoncée comme temporaire.
- Des poids ouverts prévus pour la fin octobre, après une phase de red-teaming menée avec des acteurs de la cybersécurité et des autorités publiques.
Un détail compte pour les équipes qui envisagent de basculer leur production : l’entraînement par renforcement est encore en cours. Les performances mesurées aujourd’hui ne correspondent donc pas à la version stable, même si la trajectoire devrait aller vers le haut.
38 points sur l’Intelligence Index : où se situe vraiment Mistral Large 4
L’Artificial Analysis Intelligence Index v4.3.2 agrège dix évaluations indépendantes : travail agentique, code en terminal, lecture de PDF professionnels, raisonnement scientifique, contexte long. La médiane des modèles comparables se situe à 26 points. Avec 38, le français se place donc nettement au-dessus de la moyenne.
| Modèle (Artificial Analysis, octobre 2026) | Intelligence Index | Coût par tâche | Poids ouverts |
|---|---|---|---|
| Claude Opus 5.5 (max) | 58 | 5,98 $ | Non |
| GPT-6 Astra (max) | 53 | 3,26 $ | Non |
| Gemini 4 Argon (high) | 53 | 1,99 $ | Non |
| GPT-6.1 Sol (high) | 50 | 0,32 $ | Non |
| MiMo-V2.6-Pro (Xiaomi) | 46 | 0,13 $ | Oui |
| GLM-5.3 (max) | 45 | 2,01 $ | Oui |
| Mistral Large 4 Preview | 38 | 1,13 $ | Annoncés fin octobre |
| DeepSeek V4 Pro 0813 (max) | 36 | 0,67 $ | Oui |
Le progrès est net quand on remonte le fil des versions. Mistral Medium 3.5 affichait 14 points, et la génération Mistral 3 plafonnait à 9 pour sa déclinaison Large. La veille de l’annonce, Arthur Mensch, CEO de Mistral AI, avait d’ailleurs publié un simple « Excited » sur X, le 5 octobre 2026. Pour mesurer le chemin parcouru depuis les débuts de l’éditeur, les innovations de Mistral 3 offrent un point de comparaison utile.
Le français reste toutefois à 20 points du leader Claude Opus 5.5, et derrière le trio chinois MiMo-V2.6-Pro, GLM-5.3 et Kimi K3 (44 points). Il entre pour la première fois dans le top 30 mondial, ce qui n’est pas rien, mais l’affirmation d’une rivalité directe avec les meilleurs modèles ouverts se vérifie difficilement sur l’indice général.
Cybersécurité, workflows métiers, multilingue : trois terrains où Le Chonk peut servir
Toutes les tâches ne réclament pas le modèle le plus brillant du marché. Sur certains usages ciblés, Mistral Large 4 affiche des résultats qui justifient un test en conditions réelles.
Détection de vulnérabilités et audit de code
C’est l’argument principal de l’éditeur. Mistral revendique une place dans le top 5 du Cyber Index d’Artificial Analysis, un indice lancé fin septembre 2026 qui mesure la capacité à trouver, reproduire et corriger des failles dans du code réel. Grok 4.7 (xhigh) et MiMo-V2.6-Pro y mènent avec 56 points, mais tous les modèles n’ont pas encore été évalués.
Sur le sous-test CyberGym-E2E, Mistral annonce 82 %, le meilleur score mesuré. Claude Opus 5.5 et GPT-6 Astra tombent quant à eux près de zéro, non par incapacité mais parce qu’ils refusent la tâche. Pour un centre opérationnel de sécurité, un développeur non spécialiste ou un prestataire d’audit, un modèle qui accepte de prouver qu’une faille existe change la donne.
Automatisation de workflows et travail documentaire
Sur AutomationBench, qui couvre 657 workflows métiers dans Gmail, Google Sheets, Slack ou Salesforce, le modèle atteint 59,9 %, devant Kimi K3, MiMo-V2.6-Pro et DeepSeek V4 Pro. Sur AA-Briefcase, un benchmark de travail intellectuel long mêlant tableurs, slides et PDF, l’éditeur annonce 1 393 Elo.
Concrètement : qualification de leads dans un CRM, consolidation de reporting mensuel, extraction de clauses dans des contrats ou des rapports financiers. Mistral revendique aussi de bons résultats en finance et en droit, évalués par vals.ai et le benchmark Legal Agent de Harvey, avec un léger avantage sur GPT-6 Astra en grounding visuel (42 % contre 41 % sur Dense 200).
Contenus multilingues à l’échelle européenne
Avec 160 langues dans ses données d’entraînement, le modèle convient bien à la traduction de fiches produits, de sites, de campagnes ou de bases de connaissance destinées à plusieurs marchés. Une entreprise qui publie dans vingt langues européennes y trouvera un intérêt immédiat. Avant de tout basculer, mieux vaut néanmoins tester le modèle sur ses propres corpus, en gardant une trace méthodique des essais, comme le propose ce guide sur le suivi des prompts en 2026.
Verbosivité et coût réel : le point faible qui pèse sur la facture
Le tarif au token ressemble au prix affiché à la pompe. Ce qui pèse sur le budget, c’est la consommation du moteur. Et sur ce terrain, Mistral Large 4 a un problème.
Pour passer l’index d’Artificial Analysis, le modèle a généré 200 millions de tokens, contre une médiane de 81 millions. Résultat : son coût réel grimpe à 1,13 $ par tâche. GPT-6.1 Sol (high) fait mieux avec 0,32 $ pour un score de 50, et MiMo-V2.6-Pro descend à 0,13 $ pour 46 points.
La vitesse, elle, ne pose pas de difficulté : 116 tokens par seconde et un premier token servi en 1,46 seconde, au-dessus de la moyenne de la catégorie selon Artificial Analysis. Le modèle est donc réactif, mais bavard. Sur un volume important d’appels, la note finale peut surprendre.
Datacenters européens et Cloud Act : l’argument que personne ne peut répliquer
Mistral Large 4 a été entraîné dans les datacenters européens de l’entreprise, et la préversion tourne sur la même infrastructure. L’éditeur annonce un déploiement opéré de bout en bout par ses équipes, indépendant des autres fournisseurs de services numériques et soumis au droit européen.
L’enjeu dépasse la simple communication. Avec un prestataire américain, même hébergé sur le sol européen, les données restent exposées au Cloud Act, la loi de 2018 qui autorise les autorités américaines à exiger des informations détenues par des sociétés américaines, où qu’elles se trouvent. Pour une PME qui manipule des données clients, RH ou de santé, ce critère peut suffire à trancher.
L’ouverture des poids offrira une option encore plus stricte aux organisations qui en ont les moyens : exécuter le modèle en local ou sur un cloud privé, sans qu’aucune donnée ne quitte leur périmètre. Attention cependant, un milliard de paramètres suppose une infrastructure GPU que peu d’entreprises possèdent.
Un hébergement européen ne vaut pas conformité automatique pour autant. Le modèle sera proposé dans plusieurs régions du monde : vérifiez la zone configurée sur votre compte, signez l’accord de traitement des données publié par Mistral et appliquez les obligations habituelles du RGPD, de la minimisation à l’analyse d’impact.
Quand Claude, GPT et Gemini gardent l’avantage
Trois situations penchent clairement vers la concurrence. D’abord le développement logiciel agentique complexe : Mistral Large 4 affiche 28,3 % sur Terminal-Bench 4.0, et dans l’évaluation humaine menée avec Surge AI, Claude Opus 5 le devance nettement (4,22 contre 3,74 sur 5). Ensuite le raisonnement très avancé, analyses stratégiques, synthèses multi-sources délicates ou recherche scientifique pointue, où les modèles fermés conservent leur avance.
Enfin les gros volumes d’actions à budget serré. À cause de sa verbosité, GPT-6.1 Sol ou MiMo-V2.6-Pro livrent plus d’intelligence pour moins cher par tâche. La disponibilité d’un modèle n’est jamais acquise non plus, comme l’a rappelé l’indisponibilité de Claude Fable 5.
Le verdict tient en une ligne : pour la cybersécurité défensive, l’automatisation de workflows et les données sensibles qui doivent rester en Europe, Mistral Large 4 mérite un test dès maintenant. Pour le reste, l’écart de 15 à 20 points avec Claude, Gemini et GPT-6 Astra se paie en heures de contrôle. La question n’est pas de savoir qui gagne la course, mais quelle IA générative règle votre problème au bon coût.
