Mistral publica los pesos de Mistral Large 4: un 47% menos de tokens por tarea que GLM-5.3
Mistral ha publicado los pesos de Mistral Large 4 (ML4), un modelo abierto de un billón de parámetros al que dentro de la compañía llaman Le Chonk. Se puede descargar y ejecutar en servidores propios. Según la empresa, en ciberseguridad no es peor que el modelo chino GLM-5.3, pero consume un 47% menos de tokens por tarea, por lo que resulta más barato. Por eso, los equipos de seguridad deberían probar ML4 con sus propios registros y código y comparar el coste por tarea.
Procesado por IA desde TechCrunch; editado por Hamidun News
La empresa francesa Mistral ha publicado para descarga los pesos de su modelo más grande, Mistral Large 4 o ML4. Es un modelo abierto de un billón de parámetros (así se llaman los ajustes internos donde se almacena el conocimiento de una red neuronal) y dentro de la compañía lo llaman Le Chonk. Mistral lo ha comparado con el modelo abierto chino GLM-5.
3, que hasta ahora se consideraba uno de los mejores del mundo entre los modelos abiertos, especialmente en ciberseguridad. Según Mistral, la calidad es comparable, pero ML4 consume un 47% menos de tokens por tarea. Los tokens son las «unidades de texto» por las que se paga al trabajar a través de una API y que cargan el hardware cuando el modelo se ejecuta en propio.
Es decir, el mismo trabajo sale notablemente más barato. Para quienes eligen la IA para proteger su infraestructura, es un motivo para recalcular qué resulta más rentable: una API de pago y cerrada o un modelo propio en servidores propios.
Qué significa «abrir los pesos»
Los pesos son un archivo con números en el que, tras el entrenamiento, queda «registrado» todo lo que sabe el modelo. Si ese archivo está en su disco, la red neuronal funciona sin recurrir a la nube de nadie: los datos no salen fuera y el proveedor no puede cortarle el acceso. Los pesos de ML4 se han publicado en Hugging Face, y además el modelo está disponible a través de la API de la propia Mistral.
El vicepresidente de ciencia de Mistral, Pierre Stock, lo explicó con un ejemplo de defensa: una empresa o un gobierno obtienen una IA avanzada para luchar contra los ciberataques, y ese acceso no se puede interrumpir, porque el modelo tiene pesos abiertos. Puede desplegarse on-prem, es decir, dentro de la infraestructura propia. Según Stock, ML4 puede usarse para detectar incidentes de seguridad importantes, coordinar acciones y responder a ellos en tiempo real.
El director ejecutivo Arthur Mensch repite la posición de larga data de la compañía: la IA debe ser «una herramienta para ampliar capacidades, no para dominar». Mistral afirma que alcanza el nivel de los mejores modelos con una «fracción de la computación y del capital» que gastan laboratorios cerrados como OpenAI y Anthropic.
Qué dicen las cifras
El principal argumento es el ahorro. Imagine un agente que analiza registros y revisa código y configuraciones sospechosas: da decenas de pasos seguidos. Si cada tarea necesita un 47% menos de tokens, la factura y el tiempo de respuesta bajan con el mismo resultado. Para la comparación, Mistral eligió precisamente GLM-5.3, que hasta este lanzamiento se consideraba el modelo abierto más fuerte en tareas de ciberseguridad.
El segundo argumento es la clasificación. Mistral afirma que ML4 supera a todos los demás modelos abiertos en programación agéntica según el Coding Agent Index de la web Artificial Analysis. En seguridad, esto importa: la búsqueda de vulnerabilidades está estrechamente ligada a la capacidad del modelo para leer y escribir código.
Limitaciones y conclusión
Primero, todas las cifras proceden por ahora de la propia Mistral, y el artículo no incluye verificaciones independientes. Segundo, los pesos abiertos no significan un despliegue barato: un modelo de un billón de parámetros requiere hardware serio, y el ahorro en tokens tiene que compensar el coste de los servidores y del soporte. Un equipo pequeño puede preferir la API, mientras que un banco, un operador de telecomunicaciones o un organismo público con requisitos estrictos sobre sus datos a menudo necesitan un despliegue propio por normativa.
Tercero, la apertura tiene una cara negativa, que Stock reconoce: la misma capacidad puede usarla también un atacante. Él considera que las herramientas de búsqueda de vulnerabilidades deben ponerse cuanto antes al alcance de todos para fortalecer el ecosistema. La alarma en torno a incidentes recientes con agentes de IA «rebeldes» la calificó de exagerada: el problema es complejo, pero solucionable.
La práctica es sencilla: si usted responde de la seguridad o desarrolla productos para sectores regulados, lleve ML4 a un piloto corto. Ejecútelo sobre sus registros, su código y sus incidentes habituales, y compare el coste por tarea, la calidad del análisis y la velocidad con su modelo actual. El 47% de ahorro en tokens anunciado es fácil de verificar con datos propios, y el resultado dirá si compensa migrar.
- 21 nov 2026Microsoft permitirá a las empresas ajustar los modelos MAI con sus propios datos en Azure
- 21 nov 2026Mistral abre en Singapur una sede para Asia y crecerá hasta 200 empleados en 2027
- 21 nov 2026Magnific alcanza $300 millones de ARR con modelos de IA ajenos y sin inversores
- 21 nov 2026El startup parisino Genesis AI levanta 500 millones de dólares con una valoración de 3.500 millones para sus robots Eno
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué significa «abrir los pesos»?
Los pesos son un archivo con números en el que, tras el entrenamiento, queda «registrado» todo lo que sabe el modelo. Si ese archivo está en su disco, la red neuronal funciona sin recurrir a la nube de nadie: los datos no salen fuera y el proveedor no puede cortarle el acceso. Los pesos de ML4 se han publicado en Hugging Face, y además el modelo está disponible a través de la API de la propia Mistral.
¿Qué se sabe sobre Qué dicen las cifras?
El principal argumento es el ahorro. Imagine un agente que analiza registros y revisa código y configuraciones sospechosas: da decenas de pasos seguidos. Si cada tarea necesita un 47% menos de tokens, la factura y el tiempo de respuesta bajan con el mismo resultado. Para la comparación, Mistral eligió precisamente GLM-5.3, que hasta este lanzamiento se consideraba el modelo abierto más fuerte en tareas de ciberseguridad. El segundo argumento es la clasificación.
¿Qué se sabe sobre Limitaciones y conclusión?
Primero, todas las cifras proceden por ahora de la propia Mistral, y el artículo no incluye verificaciones independientes. Segundo, los pesos abiertos no significan un despliegue barato: un modelo de un billón de parámetros requiere hardware serio, y el ahorro en tokens tiene que compensar el coste de los servidores y del soporte.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.