Mistral publie les poids de Large 4 : un modèle ouvert de 1 000 milliards de paramètres pour le code

Mistral AI a publié les poids de Mistral Large 4, son nouveau modèle phare. Il s'agit d'un système multimodal de 1 000 milliards de paramètres : il traite non seulement du texte, mais aussi d'autres types de données. Les « poids » sont les valeurs numériques qui stockent le réseau de neurones entraîné.

Comme ils sont ouverts, on peut télécharger le modèle, l'exécuter sur son propre matériel et l'affiner pour ses besoins. Le modèle a été entraîné de zéro sur une infrastructure européenne. Après la préversion publique, Mistral l'a affiné par apprentissage par renforcement (RL : le modèle reçoit une « note » pour son résultat et s'ajuste en conséquence) sur deux types de tâches : la programmation et la cybersécurité.

Ce que montrent les mesures indépendantes

Les chiffres proviennent des classements d'Artificial Analysis. Cette société fait passer les modèles par des batteries de tests standard, de manière indépendante, et publie la comparaison.

• Coding Agent Index : 48%. Cet indice évalue les agents de code : le modèle reçoit une tâche dans une base de code réelle, lit lui-même les fichiers, apporte des modifications et lance des vérifications. 48% est le score global de Mistral Large 4.
• 47% de tokens en moins que GLM-5.3. Le token est l'unité de texte facturée à l'utilisateur. Pour résoudre la même tâche, Mistral Large 4 consomme presque deux fois moins de tokens que le modèle ouvert GLM-5.3. C'est un point important pour les agents : ils enchaînent des dizaines d'étapes, et chaque étape coûte de l'argent.
• Artificial Analysis Cyber : 51%. Ce test mesure trois compétences : trouver une vulnérabilité dans du code, la reproduire (démontrer que la faille est réellement exploitable) et écrire un correctif qui la referme.

Mistral affirme par ailleurs, de son côté, que le modèle réalise des audits de code sans déclencher à tort les filtres de sécurité. Le problème est bien connu : de nombreux modèles refusent d'analyser du code vulnérable, car ils prennent la demande d'un défenseur pour une tentative d'attaque. Pour un spécialiste de la sécurité, un tel refus est une perte de temps. Seules des vérifications indépendantes diront si cela fonctionne bien en pratique.

Modes de raisonnement et tarifs

Pour maîtriser les coûts, le modèle intègre trois modes de raisonnement :

• Low : un minimum de réflexion, des réponses rapides et peu coûteuses ;
• Medium : un compromis ;
• High : le mode par défaut, avec un maximum de raisonnement sur les tâches complexes.

Le développeur décide lui-même du nombre de tokens à consacrer à la « réflexion ». Low suffit pour une correction d'une seule ligne ; pour chercher une vulnérabilité dans un gros projet, mieux vaut High.

Tarifs de l'API officielle de Mistral :

• $0,70 par million de tokens en entrée ;
• $0,07 par million de tokens en entrée en cas de succès du cache, soit dix fois moins cher ;
• $2,10 par million de tokens en sortie.

La remise sur le cache profite surtout aux agents. Au fil d'une longue session, ils renvoient sans cesse au modèle le même contexte : description du projet, fichiers déjà lus, historique des étapes.

Où l'essayer et que dit la licence

Il n'est pas nécessaire d'exécuter le modèle en local. Il est accessible via :

• l'API Mistral ;
• OpenRouter, une passerelle unique vers de nombreux modèles ;
• Vibe Code, l'environnement de développement de Mistral ;
• les conteneurs optimisés NVIDIA NIM, prêts à être déployés sur GPU.

Les poids sont disponibles sur Hugging Face, dans le dépôt Mistral-Large-4-1T-A52B. À en juger par ce nom, le modèle repose sur une architecture de « mélange d'experts » (MoE) : sur 1 000 milliards de paramètres, environ 52 milliards sont activés pour chaque token. Cela accélère l'exécution et réduit son coût par rapport à un modèle dense de même taille. Mais il faudra tout de même stocker l'intégralité des poids. En format 8 bits, cela représente de l'ordre d'un téraoctet : sans un cluster de plusieurs serveurs GPU, impossible de faire tourner le modèle.

La licence est une MIT modifiée. La MIT de base ne limite presque rien, mais Mistral y a ajouté ses propres conditions. Le détail figure dans le fichier LICENSE du dépôt. Les services juridiques des entreprises devraient le lire avant tout déploiement, surtout s'il s'agit de produits commerciaux.

Ce que cela change pour les ingénieurs et les entreprises

Les équipes qui ont besoin d'un agent de code et tiennent à garder la maîtrise de leurs données disposent d'une option supplémentaire sérieuse à poids ouverts. Le modèle peut rester dans leur périmètre et être affiné sur leur propre code. Son origine européenne et son entraînement sur une infrastructure européenne constituent un argument pour les entreprises soumises à des exigences de localisation des données.

Il faut comparer le modèle sur ses propres tâches. L'indice d'Artificial Analysis est un bon repère, mais il ne remplace pas un essai sur votre dépôt. Les 47% de tokens économisés par rapport à GLM-5.3 ne se traduisent par un gain réel qu'avec vos volumes et vos scénarios. Quant au score de 51% en cybersécurité, il signifie que le modèle résout environ la moitié des tâches du test. Il ne remplace pas encore le travail d'un spécialiste de la sécurité, mais il est déjà utile comme assistant pour l'audit de code.