L’essentiel en bref
Mistral Large 4 est un modèle à experts d’environ 1 000 milliards de paramètres, dont 49 milliards actifs, disponible en préversion depuis le 6 octobre et annoncé en poids ouverts pour le 27 octobre. Pour une entreprise française, c’est le premier modèle européen de cette taille que l’on pourra exécuter sur sa propre infrastructure.
L’intérêt concret dépend de vos cas d’usage, pas des classements. Avant toute bascule, une intégration d’IA générative bien menée commence par un jeu d’évaluation interne et un calcul de coût réel. Nous avons déjà suivi les étapes précédentes de l’éditeur, de sa levée de fonds record à son partenariat avec Cloudera pour une IA souveraine en entreprise.
Qu’a annoncé Mistral AI ?
Le 6 octobre, Mistral AI a ouvert la préversion de Mistral Large 4 sur son API. Clubic et le Journal du Net décrivent le même socle technique : une architecture creuse (dite « à experts ») d’environ 1 000 milliards de paramètres, dont seuls 49 milliards sont sollicités à chaque token. Le modèle traite nativement texte et images. Clubic mentionne en outre une fenêtre de contexte d’un million de tokens et la prise en charge de plus de 160 langues.
L’entraînement a été réalisé en France, sur environ 4 000 puces NVIDIA Grace Blackwell. Le Journal du Net évoque une consommation de l’ordre de 10 mégawatts et une méthode de post-entraînement par renforcement fondée sur des centaines de milliers d’environnements de test simulés, ce qui permettrait à l’éditeur d’utiliser deux à trois fois moins de calcul que certains laboratoires concurrents.
Le point le plus structurant pour les entreprises est la date du 27 octobre : Mistral prévoit d’y publier les poids du modèle, avec des versions quantifiées en FP8 et FP4 conçues pour tenir sur 4 à 8 GPU B200 ou B300. Le modèle doit aussi devenir, après des tests A/B, le modèle par défaut des produits Mistral.
Où le modèle est-il fort, où l’est-il moins ?
Mistral met en avant des domaines spécialisés plutôt qu’un score généraliste. Selon Clubic, le modèle obtient 82 sur 100 au banc d’essai de cybersécurité CyberGym et 67 % sur le test financier Finch. Le Journal du Net souligne de bons résultats en analyse d’images aériennes et satellitaires et des performances élevées sur des tâches juridiques agentiques.
Les deux médias s’accordent sur une limite : en programmation, Mistral Large 4 reste derrière les meilleurs modèles fermés (62 % sur DeepSWE selon Clubic). Pour une équipe qui cherche d’abord un assistant de code, ce n’est donc pas forcément le premier choix. L’éditeur insiste en revanche sur la cybersécurité défensive, pour les organisations qui ne peuvent pas confier leurs données à des modèles propriétaires hébergés hors d’Europe.
Que coûte-t-il, et face à quoi ?
En préversion, l’API est facturée 0,68 $ par million de tokens en entrée et 2,09 $ en sortie, d’après Clubic, soit moins que Mistral Medium 3.5. Ce niveau tient à l’architecture : seuls 49 milliards de paramètres travaillent à chaque étape, ce qui réduit le coût d’inférence par rapport à un modèle dense de taille comparable.
Le prix au token ne dit pas tout. Sur un projet réel, le coût total dépend du volume de contexte envoyé (documents, historiques de conversation), du nombre d’appels par tâche dans un agent et de la part de réponses à reprendre. Un modèle moins cher mais qui exige deux passes coûte plus qu’un modèle plus cher qui répond juste du premier coup.
API, cloud souverain ou auto-hébergement ?
La publication des poids ouvre trois options, aux profils très différents :
- API Mistral : mise en route immédiate, données traitées sur des serveurs européens soumis au droit de l’Union. Adapté à la majorité des PME et ETI.
- Cloud ou hébergeur tiers : utile si votre DSI a déjà un contrat-cadre ou une exigence de qualification, par exemple pour des marchés publics.
- Auto-hébergement : maîtrise complète des données et des versions, mais il faut au minimum 4 à 8 GPU de dernière génération, des compétences d’exploitation et une charge régulière pour amortir le matériel.
Pour les données de santé, les secrets industriels ou les dossiers clients sensibles, l’auto-hébergement d’un modèle ouvert simplifie aussi le dossier de conformité au RGPD et à l’AI Act : on documente un système que l’on contrôle, plutôt qu’une chaîne de sous-traitants.
Que faire avant le 27 octobre ?
- Constituer un jeu d’évaluation : 50 à 200 cas réels de votre métier, avec la réponse attendue, pour comparer les modèles sur vos données plutôt que sur des classements publics.
- Tester la préversion via l’API : mesurer qualité, latence et coût par tâche face à votre modèle actuel.
- Découpler le modèle du code : passer par une couche d’abstraction pour pouvoir changer de fournisseur sans réécrire l’application.
- Chiffrer l’auto-hébergement honnêtement : GPU, énergie, supervision, mises à jour et astreinte, à comparer au coût API sur douze mois.
- Associer la conformité tôt : registre des traitements, analyse d’impact si des données personnelles sont en jeu, documentation exigée par l’AI Act.
Questions fréquentes
Qu’est-ce que Mistral Large 4 ?
C’est le nouveau modèle phare de Mistral AI, présenté le 6 octobre 2026. Selon Clubic et le Journal du Net, il compte environ 1 000 milliards de paramètres, dont 49 milliards activés à chaque token, et il est nativement multimodal. Il est disponible en préversion sur l’API de Mistral.
Quand les poids du modèle seront-ils publiés ?
Mistral annonce la publication des poids ouverts le 27 octobre 2026. Le Journal du Net précise que des versions quantifiées en FP8 et FP4 sont prévues, pour un déploiement sur 4 à 8 GPU de type B200 ou B300.
Combien coûte Mistral Large 4 via l’API ?
Clubic indique 0,68 dollar par million de tokens en entrée et 2,09 dollars par million de tokens en sortie, soit moins que Mistral Medium 3.5 malgré la taille du modèle. Ces tarifs concernent la préversion et peuvent évoluer.
Une PME peut-elle héberger le modèle elle-même ?
Rarement de façon rentable. Même quantifié, le modèle demande plusieurs GPU de dernière génération. Pour la plupart des PME, l’API hébergée en Europe ou un fournisseur cloud souverain reste plus simple. L’auto-hébergement se justifie surtout pour des données très sensibles ou des volumes élevés et réguliers.
Faut-il migrer ses projets d’IA vers Mistral Large 4 ?
Pas sans test. Les deux médias décrivent un modèle très performant en cybersécurité, en finance et en analyse d’images, mais en retrait sur certains bancs d’essai de code. La bonne démarche consiste à rejouer ses propres cas d’usage sur un jeu d’évaluation interne, puis à comparer qualité, coût et latence avec le modèle actuel.
Sources
Clubic — Avec Mistral Large 4, l’IA française ose défier GPT-6 Astra et publiera ses poids le 27 octobre (6 octobre 2026)
Journal du Net — Mistral dévoile Mistral Large 4 et sa recette pour rester dans la course à l’IA (6 octobre 2026)