Mistral Large 4 ouvre ses poids plus tard que son API

Dans son annonce du 6 octobre 2026, Mistral AI a ouvert Mistral Large 4, présenté avec 49 milliards de paramètres actifs, en préversion publique via l’API de Mistral Studio, tout en promettant la publication de ses poids d’ici la fin du mois. L’accès immédiat concerne donc un modèle hébergé par l’entreprise. Les fichiers nécessaires à un déploiement autonome sont promis pour plus tard, pendant que des essais de sécurité se poursuivent avec des partenaires sélectionnés et des autorités publiques.

Cette préversion permet déjà d’estimer le coût des requêtes et de confronter certaines performances à des mesures extérieures. La tarification standard de l’API affiche un prix réduit de 0,68 dollar par million de jetons en entrée et de 2,09 dollars en sortie, contre des prix ordinaires de 1,36 et 4,18 dollars. Dans les premiers classements de Vals AI, le modèle est sixième sur 75 au Harvey’s Legal Agent Benchmark, mais 32e sur 44 dans l’indice général du même évaluateur. Ces rangs portent sur des épreuves différentes.

La préversion ouvre l’usage, pas encore le déploiement autonome

Une API donne accès au modèle à distance : l’utilisateur envoie une entrée, le service exécute le calcul et renvoie une réponse. Publier les poids signifie fournir les paramètres numériques qui permettent à d’autres de faire tourner le modèle sur leur propre infrastructure, sous les conditions de diffusion retenues. C’est ce second accès que la publication annoncée pour la fin du mois doit apporter au public.

La distinction compte pour une organisation qui souhaite adapter le modèle à ses données ou maîtriser son environnement d’exécution. Aujourd’hui, elle peut expérimenter avec le service hébergé, mesurer ses réponses et chiffrer sa consommation de jetons. Elle ne peut pas encore établir le coût matériel ni les contraintes exactes d’une installation autonome à partir de cette seule préversion ; les informations techniques accompagnant les poids seront décisives.

La préversion privée du lancement suit une autre logique : certains partenaires disposent d’un accès moins modéré dans le cadre des essais de sécurité. Elle ne doit pas être confondue avec la diffusion générale annoncée. Le compte rendu du Monde évoque le 27 octobre pour la publication et cite le cofondateur Guillaume Lample, selon qui le modèle est « essentiellement au même niveau que les meilleurs modèles chinois d’il y a un mois ou deux » ; cette date est plus précise que l’échéance officielle de fin de mois, et le journal souligne que les performances attendent une confirmation indépendante.

Une grande capacité annoncée, avec deux chiffres actifs

La fiche technique de Mistral Large 4 décrit un mélange d’experts de 1,05 billion de paramètres au total, dont 52 milliards actifs, avec un encodeur visuel de 1,6 milliard et une fenêtre de contexte affichée à un million de jetons, contre 49 milliards de paramètres actifs dans l’annonce du lancement. Les deux valeurs concernent la même caractéristique du même modèle, sans précision de méthode permettant de les rapprocher. Le nombre actif reste donc à clarifier.

Dans un mélange d’experts, tous les paramètres ne sont pas sollicités pour chaque portion de texte traitée. Le total donne une idée de la taille de l’architecture ; la part active décrit plus directement ce qui participe au calcul pour une requête. Cette différence explique pourquoi les deux mesures ne doivent pas être utilisées l’une à la place de l’autre. Elle ne résout toutefois pas l’écart entre les deux valeurs publiées pour la part active.

Le modèle accepte des entrées multimodales ; ses fonctions comprennent notamment les questions sur documents, les sorties structurées et l’appel de fonctions. Le contexte affiché indique une capacité maximale d’entrée, sans garantir une précision uniforme sur une très longue requête. Pour les usages géospatiaux mis en avant au lancement, comme l’identification d’objets dans des images satellites, la qualité du repérage dépendra des résultats observés dans des conditions définies.

Le tarif réduit change le coût d’une tâche simple

La grille sépare les jetons envoyés au modèle de ceux qu’il génère. Dans un exemple conditionnel de 10 000 jetons en entrée et 1 000 en sortie, le calcul au tarif réduit donne 0,00889 dollar : 0,0068 pour l’entrée et 0,00209 pour la sortie. Aux prix ordinaires affichés, la même tâche coûterait 0,01778 dollar. Le calcul suppose des jetons d’entrée standard, sans mise en cache ni autre service facturé.

Une requête dix fois plus volumineuse, avec 100 000 jetons en entrée et 10 000 en sortie, reviendrait dans les mêmes conditions à 0,0889 dollar au prix réduit ou 0,1778 dollar au prix ordinaire. Ces montants sont des coûts par tâche hypothétique, pas des devis : le nombre réel de jetons dépend de l’entrée, de la longueur de la réponse et des éventuels échanges supplémentaires avec des outils. Une session composée de plusieurs appels additionnerait leurs consommations.

La remise affichée divise ici par deux chacun des prix ordinaires retenus pour l’entrée et la sortie. Sa durée n’est pas précisée dans la grille, ce qui empêche de traiter le prix réduit comme le tarif durable du modèle. Le coût d’un déploiement après ouverture des poids relèverait, lui, de l’infrastructure choisie et de son utilisation ; les montants de l’API hébergée ne permettent pas de le déduire.

Les premiers tests ne racontent pas la même performance

Le résultat juridique porte sur un agent évalué dans une épreuve spécialisée, où la configuration et l’usage des outils entrent dans le résultat. L’indice général rassemble d’autres tâches et situe Large 4 beaucoup plus bas parmi les modèles testés. Ces positions mesurent donc des périmètres différents : le bon rang dans le test juridique n’établit pas une supériorité générale, tandis que le rang agrégé n’efface pas ce résultat spécialisé.

Les conditions d’évaluation comptent aussi. La configuration peut varier selon les tests, notamment pour le fournisseur ou les paramètres utilisés. Un classement reflète ainsi un modèle dans un protocole donné, au moment où la mesure est publiée. Les déclarations de performance sur le code, la finance ou la cybersécurité restent à apprécier à cette même échelle de précision, sans les convertir en un rang universel.

La publication attendue des poids d’ici la fin du mois devrait apporter davantage de détails sur l’architecture et la méthode d’évaluation. Elle permettra aussi de comparer la préversion hébergée aux configurations que d’autres pourront mesurer et déployer eux-mêmes.

À lire aussi :

• Le Soleil révèle ses tourbillons : l’image la plus nette confirme une instabilité
• Arm AI Portal promet des modèles optimisés, les outils maison viendront plus tard
• Roman part sonder l’Univers : un champ de vision cent fois plus large que Hubble