Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAPI / Produit · Prêt à l'emploiTechCrunch→ original

Mistral publie les poids de Mistral Large 4 : 47 % de tokens en moins par tâche que GLM-5.3

Mistral a publié les poids de Mistral Large 4 (ML4), un modèle ouvert d'un trillion de paramètres surnommé Le Chonk : il peut être téléchargé et exécuté sur vos propres serveurs. Selon la société, il ne fait pas moins bien que le modèle chinois GLM-5.3 en cybersécurité, mais consomme 47 % de tokens en moins par tâche, ce qui revient moins cher. Les équipes de sécurité ont donc intérêt à faire tourner ML4 sur leurs propres journaux et leur code, puis à comparer le coût par tâche.

Traité par IA depuis TechCrunch ; édité par Hamidun News
Mistral publie les poids de Mistral Large 4 : 47 % de tokens en moins par tâche que GLM-5.3
Source : TechCrunch. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireTechCrunch ↗
Rédacteur en chef
Chiffre clé #1Les poids sont disponibles sur Hugging Face, et le modèle est aussi accessible via l'API de Mistral
Chiffre clé #2Dans le Coding Agent Index (Artificial Analysis), Mistral le classe premier parmi les modèles ouverts
Déploiement on-premles données restent dans l'entreprise, et l'accès ne peut pas être coupé

La société française Mistral a publié en téléchargement les poids de son modèle le plus volumineux, Mistral Large 4, ou ML4. Il s'agit d'un modèle ouvert d'un trillion de paramètres (on désigne ainsi les « réglages » internes où sont stockées les connaissances du réseau de neurones), que l'entreprise surnomme en interne Le Chonk. Mistral le compare au modèle ouvert chinois GLM-5.

3, longtemps considéré comme l'un des meilleurs au monde parmi les modèles ouverts, en particulier en cybersécurité. Selon Mistral, la qualité est comparable, mais ML4 consomme 47 % de tokens en moins par tâche. Les tokens sont des « unités de texte » facturées lors d'une utilisation via API et qui sollicitent le matériel lors d'une exécution en local.

Le même travail coûte donc nettement moins cher. Pour ceux qui choisissent l'IA pour protéger leur infrastructure, c'est une raison de recalculer ce qui est le plus avantageux : une API payante et fermée, ou un modèle propre, sur ses propres serveurs.

Ce que signifie « ouvrir les poids »

Les poids sont le fichier de nombres dans lequel est « inscrit », à l'issue de l'entraînement, tout ce que sait faire le modèle. S'il se trouve sur votre disque, le réseau de neurones fonctionne sans recourir au cloud d'un tiers : les données ne sortent pas, et le fournisseur ne peut pas vous couper l'accès. Les poids de ML4 sont publiés sur Hugging Face, et le modèle reste également accessible via l'API de Mistral.

Le vice-président de Mistral en charge de la science, Pierre Stock, l'a expliqué à partir de l'exemple de la défense : une entreprise ou un gouvernement disposent d'une IA de pointe pour lutter contre les cyberattaques, et cet accès ne peut pas être interrompu, puisque le modèle a des poids ouverts. Il peut être déployé on-prem, c'est-à-dire au sein de sa propre infrastructure. Selon Pierre Stock, ML4 peut servir à détecter des incidents de sécurité majeurs, à coordonner les actions et à y réagir en temps réel.

Le directeur général Arthur Mensch reprend la position de longue date de l'entreprise : l'IA doit être un « outil d'amplification des capacités, et non de domination ». Mistral affirme atteindre le niveau des meilleurs modèles avec une « fraction du calcul et du capital » que dépensent les laboratoires fermés comme OpenAI et Anthropic.

Ce que disent les chiffres

L'argument principal est économique. Imaginez un agent qui analyse des journaux et vérifie du code ou des configurations suspects : il enchaîne des dizaines d'étapes. Si chaque tâche consomme 47 % de tokens en moins, la facture et le temps de réponse baissent à résultat égal. Pour la comparaison, Mistral a choisi GLM-5.3, considéré jusqu'à présent comme le plus performant des modèles ouverts sur les tâches de cybersécurité.

Le second argument concerne le classement. Mistral indique que ML4 devance tous les autres modèles ouverts en programmation agentique selon le Coding Agent Index du site Artificial Analysis. Pour la sécurité, c'est un point important : la recherche de vulnérabilités est étroitement liée à la capacité d'un modèle à lire et à écrire du code.

Limites et conclusion

Premièrement, tous les chiffres proviennent pour l'instant de Mistral lui-même, et l'article ne contient aucune vérification indépendante. Deuxièmement, des poids ouverts ne signifient pas un déploiement bon marché : un modèle d'un trillion de paramètres exige un matériel sérieux, et l'économie de tokens doit compenser le coût des serveurs et de la maintenance. Une petite équipe peut trouver l'API plus simple, alors qu'une banque, un opérateur télécom ou une administration aux exigences strictes en matière de données aura souvent besoin d'un déploiement propre, pour des raisons réglementaires.

Troisièmement, l'ouverture a un revers, que Pierre Stock reconnaît : un attaquant peut utiliser les mêmes capacités. Il estime que les outils de recherche de vulnérabilités doivent être mis à la disposition de tous le plus vite possible, afin de renforcer l'écosystème. Il juge exagérée l'inquiétude suscitée par les récents incidents impliquant des agents IA « rebelles » : le problème est complexe, mais soluble.

La démarche est simple : si vous êtes responsable de la sécurité ou si vous développez des produits pour des secteurs réglementés, lancez un court pilote avec ML4. Faites-le tourner sur vos propres journaux, votre code et vos incidents types, puis comparez le coût par tâche, la qualité d'analyse et la vitesse avec votre modèle actuel. Les 47 % d'économie de tokens annoncés sont faciles à vérifier sur vos données, et le résultat dira si la migration en vaut la peine.

Dossier

Questions clés sur cet article

Que sait-on sur Ce que signifie « ouvrir les poids » ?

Les poids sont le fichier de nombres dans lequel est « inscrit », à l'issue de l'entraînement, tout ce que sait faire le modèle. S'il se trouve sur votre disque, le réseau de neurones fonctionne sans recourir au cloud d'un tiers : les données ne sortent pas, et le fournisseur ne peut pas vous couper l'accès. Les poids de ML4 sont publiés sur Hugging Face, et le modèle reste également accessible via l'API de Mistral.

Que sait-on sur Ce que disent les chiffres ?

L'argument principal est économique. Imaginez un agent qui analyse des journaux et vérifie du code ou des configurations suspects : il enchaîne des dizaines d'étapes. Si chaque tâche consomme 47 % de tokens en moins, la facture et le temps de réponse baissent à résultat égal. Pour la comparaison, Mistral a choisi GLM-5.3, considéré jusqu'à présent comme le plus performant des modèles ouverts sur les tâches de cybersécurité. Le second argument concerne le classement.

Que sait-on sur Limites et conclusion ?

Premièrement, tous les chiffres proviennent pour l'instant de Mistral lui-même, et l'article ne contient aucune vérification indépendante. Deuxièmement, des poids ouverts ne signifient pas un déploiement bon marché : un modèle d'un trillion de paramètres exige un matériel sérieux, et l'économie de tokens doit compenser le coût des serveurs et de la maintenance.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…