Mistral abre os pesos do Mistral Large 4: 47% menos tokens por tarefa que o GLM-5.3
A Mistral publicou os pesos do Mistral Large 4 (ML4), um modelo aberto de um trilhão de parâmetros apelidado internamente de Le Chonk. Ele pode ser baixado e executado em servidores próprios. Segundo a empresa, em cibersegurança o modelo não fica atrás do GLM-5.3, da China, mas gasta 47% menos tokens por tarefa e, portanto, custa menos. Por isso, as equipes de segurança devem testar o ML4 em seus próprios logs e códigos e comparar o custo por tarefa.
Processado por IA de TechCrunch; editado por Hamidun News
A francesa Mistral publicou para download os pesos de seu maior modelo, o Mistral Large 4, ou ML4. Trata-se de um modelo aberto de um trilhão de parâmetros (é assim que se chamam as "configurações" internas que armazenam o conhecimento da rede neural), apelidado internamente de Le Chonk. A empresa comparou o modelo com o GLM-5.
3, um modelo aberto chinês que até então era considerado um dos melhores do mundo entre os abertos, especialmente em cibersegurança. Segundo a Mistral, a qualidade é comparável, mas o ML4 gasta 47% menos tokens por tarefa. Tokens são as "unidades de texto" pelas quais você paga ao usar a API e que sobrecarregam o hardware quando o modelo roda em infraestrutura própria.
Ou seja, o mesmo trabalho sai bem mais barato. Para quem escolhe IA para proteger infraestrutura, é um motivo para recalcular o que compensa mais: uma API fechada paga ou um modelo próprio nos seus servidores.
O que significa "abrir os pesos"
Os pesos são o arquivo de números em que, após o treinamento, fica "gravado" tudo o que o modelo sabe fazer. Se esse arquivo está no seu disco, a rede neural funciona sem depender da nuvem de terceiros: os dados não saem da empresa, e o fornecedor não consegue cortar seu acesso. Os pesos do ML4 foram publicados no Hugging Face, e o modelo também está disponível pela API da própria Mistral.
O vice-presidente de ciência da Mistral, Pierre Stock, explicou isso com um exemplo de defesa: uma empresa ou um governo recebe uma IA de ponta para combater ataques cibernéticos, e esse acesso não pode ser interrompido porque o modelo tem pesos abertos. O modelo pode ser implantado on-prem, ou seja, dentro da infraestrutura própria. Segundo Stock, o ML4 pode ser usado para identificar incidentes de segurança de grande porte, coordenar ações e responder a eles em tempo real.
O CEO Arthur Mensch reafirma a posição antiga da empresa: a IA deve ser "uma ferramenta para ampliar capacidades, e não para dominar". A Mistral afirma alcançar o nível dos melhores modelos com uma "fração da computação e do capital" que laboratórios fechados como OpenAI e Anthropic gastam.
Os números
O principal argumento é a economia. Imagine um agente que analisa logs e verifica código e configurações suspeitas: ele dá dezenas de passos seguidos. Se cada tarefa consome 47% menos tokens, a conta e o tempo de resposta caem com o mesmo resultado. Para a comparação, a Mistral escolheu justamente o GLM-5.3, que até este lançamento era considerado o modelo aberto mais forte em tarefas de cibersegurança.
O segundo argumento é o ranking. A Mistral afirma que o ML4 supera todos os outros modelos abertos em programação agêntica no Coding Agent Index do site Artificial Analysis. Para segurança, isso importa: a busca por vulnerabilidades está intimamente ligada à capacidade do modelo de ler e escrever código.
Limitações e conclusão
Primeiro, todos os números até agora vêm da própria Mistral, e não há verificações independentes neste material. Segundo, pesos abertos não significam execução barata: um modelo de um trilhão de parâmetros exige hardware robusto, e a economia de tokens precisa compensar os custos de servidores e suporte. Uma equipe pequena pode achar mais simples usar a API, enquanto um banco, uma operadora de telecomunicações ou um órgão governamental com requisitos rígidos de dados muitas vezes precisa da execução própria simplesmente por exigência regulatória.
Terceiro, a abertura tem um lado negativo, e Stock o reconhece: as mesmas capacidades podem ser usadas por um atacante. Ele defende que as ferramentas de busca por vulnerabilidades sejam disponibilizadas a todos o quanto antes, para fortalecer o ecossistema. Já o alarme em torno de incidentes recentes envolvendo agentes de IA "rebeldes" foi, na visão dele, exagerado: o problema é complexo, mas solucionável.
A recomendação prática é simples: se você é responsável por segurança ou desenvolve produtos para setores regulados, faça um piloto curto com o ML4. Teste o modelo em seus logs, códigos e incidentes típicos, e compare o custo por tarefa, a qualidade da análise e a velocidade com o modelo atual. Os 47% de economia de tokens anunciados são fáceis de verificar com dados próprios, e o resultado mostrará se vale a pena migrar.
- 21 de nov. de 2026Microsoft vai permitir que empresas ajustem modelos MAI com seus próprios dados no Azure
- 21 de nov. de 2026Mistral abre sede na Cingapura para a Ásia e vai chegar a 200 funcionários até 2027
- 21 de nov. de 2026Magnific chega a US$ 300 milhões de receita anual com modelos de IA de terceiros e sem investidores
- 21 de nov. de 2026Parisiense Genesis AI capta US$ 500 milhões com avaliação de US$ 3,5 bilhões para robôs Eno
Perguntas frequentes sobre a notícia
O que significa "abrir os pesos"?
Os pesos são o arquivo de números em que, após o treinamento, fica "gravado" tudo o que o modelo sabe fazer. Se esse arquivo está no seu disco, a rede neural funciona sem depender da nuvem de terceiros: os dados não saem da empresa, e o fornecedor não consegue cortar seu acesso. Os pesos do ML4 foram publicados no Hugging Face, e o modelo também está disponível pela API da própria Mistral.
O que se sabe sobre Os números?
O principal argumento é a economia. Imagine um agente que analisa logs e verifica código e configurações suspeitas: ele dá dezenas de passos seguidos. Se cada tarefa consome 47% menos tokens, a conta e o tempo de resposta caem com o mesmo resultado. Para a comparação, a Mistral escolheu justamente o GLM-5.3, que até este lançamento era considerado o modelo aberto mais forte em tarefas de cibersegurança. O segundo argumento é o ranking.
O que se sabe sobre Limitações e conclusão?
Primeiro, todos os números até agora vêm da própria Mistral, e não há verificações independentes neste material. Segundo, pesos abertos não significam execução barata: um modelo de um trilhão de parâmetros exige hardware robusto, e a economia de tokens precisa compensar os custos de servidores e suporte.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.