Mistral libera os pesos do Large 4: modelo aberto de 1 trilhão de parâmetros para código

A Mistral AI publicou os pesos do Mistral Large 4, seu novo modelo principal. Trata-se de um sistema multimodal de 1 trilhão de parâmetros: ele trabalha não só com texto, mas também com outros tipos de dados. Os "pesos" são os números em que a rede neural treinada fica armazenada. Com eles abertos, é possível baixar o modelo, rodá-lo no próprio hardware e refiná-lo para as suas necessidades. O modelo foi treinado do zero em infraestrutura europeia. Depois do preview público, ele passou por refinamento com aprendizado por reforço (RL, em que o modelo recebe uma "nota" pelo resultado e se ajusta a ela) em duas classes de tarefas: programação e cibersegurança.

O que mostraram as medições independentes

Os números vêm dos rankings da Artificial Analysis. A empresa executa os modelos por conta própria em conjuntos de testes padronizados e publica a comparação.

• Coding Agent Index: 48%. O índice avalia agentes de código: o modelo recebe uma tarefa em uma base de código real, lê os arquivos, faz alterações e executa as verificações. Os 48% são a nota final do Mistral Large 4.
• 47% menos tokens que o GLM-5.3. O token é a unidade de texto pela qual o usuário paga. Para resolver a mesma tarefa, o Mistral Large 4 gasta quase metade dos tokens do modelo aberto GLM-5.3. Para agentes, isso importa: eles executam dezenas de passos, e cada passo custa dinheiro.
• Artificial Analysis Cyber: 51%. O teste avalia três habilidades: encontrar uma vulnerabilidade no código, reproduzi-la (mostrar que a falha realmente funciona) e escrever um patch que a corrija.

Separadamente, a Mistral afirma que o modelo faz auditoria de código sem falsos positivos nos filtros de segurança. O problema é conhecido: muitos modelos se recusam a analisar código vulnerável porque confundem o pedido de um defensor com uma tentativa de ataque. Para um especialista em segurança, essa recusa significa tempo perdido. Só verificações independentes vão mostrar o quanto isso funciona na prática.

Modos de raciocínio e preço

Para controlar o custo, o modelo traz três modos de raciocínio:

• Low: o mínimo de raciocínio, com respostas rápidas e baratas;
• Medium: um meio-termo;
• High: modo padrão, com o máximo de raciocínio em tarefas complexas.

Quem decide quantos tokens gastar com o "raciocínio" é o desenvolvedor. Para uma correção simples de uma linha, o Low basta; para procurar vulnerabilidades em um projeto grande, o High é mais indicado.

Preços da API oficial da Mistral:

• US$ 0,70 por milhão de tokens de entrada;
• US$ 0,07 por milhão de tokens de entrada quando há acerto no cache, ou seja, dez vezes mais barato;
• US$ 2,10 por milhão de tokens de saída.

O desconto do cache beneficia sobretudo os agentes. Em uma sessão longa, eles enviam ao modelo o mesmo contexto repetidas vezes: a descrição do projeto, os arquivos lidos, o histórico de passos.

Onde testar e como é a licença

Rodar o modelo localmente não é obrigatório. Ele está disponível por meio de:

• Mistral API;
• OpenRouter, um gateway único para vários modelos;
• Vibe Code, o ambiente de desenvolvimento da Mistral;
• contêineres otimizados NVIDIA NIM, prontos para implantação em GPU.

Os pesos estão no Hugging Face, no repositório Mistral-Large-4-1T-A52B. Pelo nome, o modelo segue a arquitetura de mistura de especialistas (MoE): dos 1 trilhão de parâmetros, cerca de 52 bilhões são ativados para cada token. Isso acelera a execução e reduz o custo em comparação com um modelo denso do mesmo tamanho. Mesmo assim, todos os pesos ainda precisam ser armazenados por inteiro. Em formato de 8 bits, isso dá cerca de um terabyte, então não é possível rodar o modelo sem um cluster com vários servidores com GPU.

A licença é uma MIT modificada. A MIT básica quase não impõe restrições, mas a Mistral acrescentou condições próprias. Elas podem ser conferidas no arquivo LICENSE do repositório. Os advogados das empresas devem lê-lo antes da adoção, principalmente em se tratando de produtos comerciais.

O que isso significa para engenheiros e negócios

Para equipes que precisam de um agente de código e querem controlar seus dados, surgiu mais uma opção robusta com pesos abertos. O modelo pode ficar dentro do perímetro da própria empresa e ser refinado com o código dela. A origem europeia e o treinamento em infraestrutura europeia são um argumento para empresas com requisitos de localização de dados.

Vale comparar o modelo em tarefas próprias. O índice da Artificial Analysis é uma boa referência, mas não substitui um teste no seu repositório. A economia de 47% em tokens em relação ao GLM-5.3 só se traduz em ganho real com os seus volumes e os seus cenários. Já os 51% em cibersegurança significam que o modelo resolve cerca de metade das tarefas do teste. Ele ainda não substitui o trabalho de um especialista em segurança, mas já é útil como assistente na auditoria de código.