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'emploiX: @minchoi→ original

Mistral publie les poids de Le Chonk, un modèle d'1 000 milliards de paramètres classé n°1 parmi les modèles ouverts sur FrontierCode

Mistral a publié les poids de Le Chonk, un modèle ouvert d'1 000 milliards de paramètres qu'on peut faire tourner sur ses propres serveurs, sans envoyer son code à une API externe. Il s'agit d'une architecture MoE : comme une société de mille spécialistes où l'on ne sollicite que les bons experts pour chaque question, seuls 52 milliards de paramètres travaillent sur chaque token. Dans le benchmark FrontierCode de Cognition, il est n°1 parmi les modèles ouverts. Les équipes qui travaillent sur du code confidentiel ont intérêt à tester leurs propres tâches dessus dès maintenant.

Traité par IA depuis X: @minchoi ; édité par Hamidun News
Mistral publie les poids de Le Chonk, un modèle d'1 000 milliards de paramètres classé n°1 parmi les modèles ouverts sur FrontierCode
Source : X: @minchoi. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireX: @minchoi ↗
Rédacteur en chef
Chiffre clé #11 000 milliards de paramètres au total, environ 52 milliards actifs par token
Chiffre clé #2Une version NVFP4 pour les GPU Nvidia, avec un support Nvidia dès le premier jour
Chiffre clé #3Les poids sont déjà disponibles sur Hugging Face ; le post ne mentionne ni la licence ni les chiffres du test

Imaginez la situation type : vous développez un assistant de code pour une banque ou un sous-traitant de la défense. Les meilleurs modèles de code ne sont accessibles que via l'API d'un tiers, or les règles de sécurité interdisent d'y envoyer des sources. Les modèles ouverts sont en général moins performants, et il faut donc choisir entre qualité et contrôle. L'annonce de Mistral pourrait rendre ce choix moins contraignant : l'entreprise a publié les poids de Le Chonk, un modèle d'1 000 milliards de paramètres. Selon le post de Min Choi sur X, c'est le meilleur modèle ouvert du benchmark FrontierCode de Cognition, et Nvidia l'a supporté dès le premier jour.

Ce qui vient de sortir

Le Chonk repose sur une architecture Mixture of Experts (MoE), c'est-à-dire un « mélange d'experts ». Le modèle compte 1 000 milliards de paramètres au total, mais seuls environ 52 milliards sont mobilisés pour traiter chaque token. Les poids sont déjà disponibles sur Hugging Face. Une version au format NVFP4 est également proposée : il s'agit d'une représentation des nombres sur 4 bits, que Nvidia promeut pour ses GPU. Moins il y a de bits par paramètre, moins les poids occupent de mémoire et plus l'inférence est rapide.

La qualité a été évaluée sur FrontierCode, un benchmark de Cognition, l'entreprise qui développe l'agent de code Devin. Le post indique que Le Chonk arrive en première position parmi les modèles ouverts. Les chiffres du résultat ne figurent pas dans la source : il n'est donc pas possible de comparer le modèle à des concurrents fermés sur la base de ces données.

Comprendre « 1 000 milliards, mais 52 milliards actifs »

Prenez un cabinet de conseil de mille spécialistes. Pour chaque question d'un client, on ne réunit pas tout le monde : un manager-aiguilleur sélectionne quelques experts pertinents. La facture ressemble à celle d'une petite équipe, alors que le savoir du cabinet est celui d'une grande structure. Dans un MoE, c'est le même principe : le modèle contient de nombreux blocs experts, mais seule une partie d'entre eux est activée pour chaque token.

L'effet pratique : la vitesse et le coût de génération se rapprochent de ceux d'un modèle d'une cinquantaine de milliards de paramètres, et non de ceux d'un modèle dense d'un billion. Il existe toutefois une réserve. Il faut tout de même charger en mémoire l'intégralité des poids, car on ne sait pas à l'avance quels experts seront nécessaires au token suivant. D'après notre estimation approximative, à 4 bits par paramètre, un billion de paramètres occupe environ 500 Go rien que pour les poids, sans compter la mémoire du contexte. La version NVFP4 n'est donc pas un simple bonus : elle conditionne la possibilité de faire tourner le modèle sur un nombre raisonnable d'accélérateurs.

Que faire de cette annonce

Pour les équipes qui développent des agents de code ou des assistants internes, cette nouvelle est intéressante pour trois raisons.

  • Une alternative aux API fermées. Si le résultat sur FrontierCode se confirme sur vos propres tâches, on dispose d'un modèle ouvert qu'on peut déployer chez soi. C'est essentiel lorsque le code ne peut pas être envoyé à des services externes.
  • Une préparation pour Nvidia. Le support dès le premier jour signifie qu'il ne faudra pas attendre des semaines les noyaux optimisés et les recettes de lancement. En production, cela pèse souvent plus que quelques points d'écart au benchmark.
  • L'économie de l'inférence. Moins de paramètres actifs, c'est moins de calcul par token. Sous forte charge, c'est ce qui détermine le coût.

Ce que l'on ignore encore

Le post est très court et beaucoup de détails manquent. La licence n'est pas précisée, alors qu'elle conditionne l'usage commercial. La taille de la fenêtre de contexte, les besoins matériels selon les configurations et les chiffres du benchmark eux-mêmes ne sont pas non plus donnés. On ignore également dans quelle mesure FrontierCode reflète des tâches réelles : tout benchmark public gagne à être complété par un jeu de tâches issues de votre propre dépôt de code.

La marche à suivre est simple. Lisez la fiche du modèle sur Hugging Face, vérifiez la licence, faites passer quelques dizaines de vraies tâches (corrections de bugs, relectures de code, génération de tests) et comparez le coût de possession avec ce que vous payez aujourd'hui pour l'API. Si le modèle est réellement en tête parmi les modèles ouverts et que son déploiement tient dans le budget GPU, c'est un candidat sérieux pour servir de base à un agent de code auto-hébergé.

Dossier

Questions clés sur cet article

Que sait-on sur Ce qui vient de sortir ?

Le Chonk repose sur une architecture Mixture of Experts (MoE), c'est-à-dire un « mélange d'experts ». Le modèle compte 1 000 milliards de paramètres au total, mais seuls environ 52 milliards sont mobilisés pour traiter chaque token. Les poids sont déjà disponibles sur Hugging Face. Une version au format NVFP4 est également proposée : il s'agit d'une représentation des nombres sur 4 bits, que Nvidia promeut pour ses GPU.

Que sait-on sur Comprendre « 1 000 milliards, mais 52 milliards actifs » ?

Prenez un cabinet de conseil de mille spécialistes. Pour chaque question d'un client, on ne réunit pas tout le monde : un manager-aiguilleur sélectionne quelques experts pertinents. La facture ressemble à celle d'une petite équipe, alors que le savoir du cabinet est celui d'une grande structure. Dans un MoE, c'est le même principe : le modèle contient de nombreux blocs experts, mais seule une partie d'entre eux est activée pour chaque token.

Que sait-on sur Que faire de cette annonce ?

Pour les équipes qui développent des agents de code ou des assistants internes, cette nouvelle est intéressante pour trois raisons. Une alternative aux API fermées. Si le résultat sur FrontierCode se confirme sur vos propres tâches, on dispose d'un modèle ouvert qu'on peut déployer chez soi. C'est essentiel lorsque le code ne peut pas être envoyé à des services externes. Une préparation pour Nvidia.

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…