Mistral dévoile Large 4, 1 000 milliards de paramètres entraînés en Europe

Mistral AI a mis en ligne mardi un aperçu public de Mistral Large 4, surnommé en interne « le Chonk », présenté comme le modèle le plus capable jamais entraîné entièrement en Europe. La startup parisienne promet la publication des poids d'ici la fin du mois, un choix qui tranche avec la trajectoire plus fermée de ses concurrents américains.

Un billion de paramètres, 52 milliards actifs

Large 4 est un modèle nativement multimodal d'un billion de paramètres, dont 52 milliards sont activés à chaque inférence — une architecture de type mélange d'experts qui permet de contenir les coûts de calcul malgré la taille totale du réseau. Mistral affirme que le modèle atteint des performances compétitives avec les meilleurs modèles open-source mondiaux, et qu'il dépasse largement tout modèle à poids ouverts développé aux États-Unis ou en Europe sur des charges d'entreprise critiques comme la cybersécurité, la finance et le droit. Sur la grounding visuelle, Mistral affirme même dépasser certains modèles fermés de référence.

L'entraînement s'est déroulé sur 3 800 GPU NVIDIA Grace Blackwell, dans des data centers que Mistral opère en propre en Europe — et c'est sur cette même infrastructure que tourne l'aperçu public. L'entreprise revendique un corpus d'entraînement multilingue couvrant plus de 160 langues, dont toutes les langues officielles de l'Union européenne.

Le pari de la cybersécurité ouverte

Le point le plus débattu de l'annonce porte sur la cybersécurité. Sur l'Artificial Analysis Cyber Index, une évaluation indépendante de la capacité des modèles à trouver et corriger des failles logicielles réelles, Large 4 se classe parmi les cinq meilleurs modèles au monde et devance largement tout modèle ouvert développé hors de Chine. Sur un test consistant à reproduire puis corriger une vulnérabilité réelle dans un logiciel open-source, il obtient 82 %, le meilleur score relevé. Il résout aussi 93 % des 40 exercices de Cybench, un ensemble d'épreuves issues de compétitions de sécurité.

Mistral souligne que plusieurs modèles fermés concurrents, dont Claude Opus 5.5 et GPT-6 Astra, obtiennent des scores proches de zéro sur ce même test — parce qu'ils refusent purement et simplement la tâche, par prudence face au caractère dual-use de la cybersécurité offensive. L'entreprise y voit un argument en faveur de l'ouverture : un modèle à poids ouverts, déployable en interne, permet à une équipe de sécurité de prouver qu'une faille est réelle sans dépendre d'un filtre tiers qui pourrait la bloquer en plein incident. Pendant la phase de red-teaming avant la publication des poids, Mistral fait tester le modèle « en conditions réelles » par des responsables cybersécurité, des partenaires vérifiés et des autorités étatiques, avec une modération réduite.

Financé par le plus gros tour de table européen

Large 4 constitue le premier jalon concret de la feuille de route financée par la levée de 3 milliards d'euros bouclée par Mistral en série D — le plus gros tour de table jamais réalisé par une entreprise technologique européenne, valorisant la société à plus de 21 milliards d'euros. Cet argent finance déjà une montée en puissance du calcul dans les data centers propres de Mistral, avec davantage de capacité annoncée dans les mois à venir.

Sur la robustesse face aux injections de prompt indirectes, Mistral affirme que Large 4 sature ses propres benchmarks, se plaçant à la frontière des modèles open-source testés (GLM-5.2, GLM-5.3, Kimi-K2.6, Kimi-K3, DeepSeek V4 Pro). Sur le B3 AI Security Benchmark de Lakera, le modèle résiste à 93,3 % des attaques testées, le meilleur score relevé parmi les modèles comparés. Malgré ses performances en cybersécurité offensive, Mistral indique que le taux de refus du modèle face à des requêtes malveillantes reste, lui aussi, le plus élevé parmi les modèles open-source évalués sur JailbreakBench, StrongREJECT et AgentHarm.

Les poids complets de Large 4 doivent être publiés avant fin octobre, accompagnés de détails supplémentaires sur l'architecture et la méthode de post-entraînement. Le modèle doit aussi servir de socle à une nouvelle génération de modèles Mistral spécialisés par industrie.

Mistral revendique par ailleurs des résultats solides en évaluation humaine à l'aveugle : sur un test de qualité de code mené avec Surge AI, où des annotateurs professionnels notaient des sorties de modèles sans connaître leur identité, ML4 Preview se classe deuxième sur cinq modèles testés, devant Kimi K3 et les deux versions de GLM-5, et seulement derrière Claude Opus 5. Sur les tâches de travail de connaissance — tableurs, documents juridiques et financiers — l'entreprise affirme que son modèle dépasse GPT-6 Astra sur les benchmarks tiers de vals.ai, aussi bien en droit qu'en finance. Reste à voir si ces chiffres, mesurés par Mistral elle-même sur un aperçu encore en entraînement, se confirmeront une fois les poids définitifs publiés et testés de façon indépendante par la communauté open-source.