Mistral Large 4 : benchmarks, prix, API, poids

Qu'est-ce que Mistral Large 4

Mistral Large 4 est le plus gros modèle jamais publié par Mistral AI — « our largest and most capable model to date », selon son billet de lancement du 2026-10-06. Il succède à Mistral Large 3 et c'est le premier Large que Mistral décrit comme hybride : les mêmes poids répondent directement ou réfléchissent avant de répondre, selon la requête. Mistral le surnomme « le Chonk » (« unofficially ML4, very officially: le Chonk »).

Selon Mistral, le modèle a été entraîné de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans ses propres datacenters européens, sur des données couvrant plus de 160 langues, dont toutes les langues officielles de l'Union européenne — un point qui compte pour une entreprise européenne dont les utilisateurs n'écrivent pas tous en anglais.

Spécification	Valeur
Architecture	Mélange d'experts, hybride instruct + raisonnement (Mistral)
Paramètres	~1T au total, 49B actifs par token (Mistral)
Modalités	texte + image en entrée, texte en sortie
Fenêtre de contexte	524 288 tokens (exposée par l'API)
Sortie maximale	262 144 tokens (imposée par l'API)
Langues	160+, dont toutes les langues officielles de l'UE (Mistral)
Appel de fonctions	oui — mesuré, voir plus bas
Poids ouverts	annoncés pour fin octobre 2026 — pas encore publiés
Licence	pas encore publiée
Preview	2026-10-06

Deux chiffres qui circulent dans la presse méritent une correction. La fenêtre de contexte : certains articles parlent d'un million de tokens, mais la liste des modèles de l'API indique 524 288 — c'est la limite que vos requêtes rencontreront. La licence : Mistral Large 3 était sous Apache 2.0, mais Mistral n'a pas encore publié la licence des poids de Large 4, et il serait imprudent de la supposer avant de l'avoir lue.

Benchmarks : ce que dit Mistral, et une vérification indépendante

Les scores ci-dessous sont ceux publiés par Mistral dans son billet de lancement. Ce sont les chiffres d'une preview, choisis par l'éditeur, et la plupart sont donnés sans score concurrent — nous ne citons donc que ce qui est chiffré.

Benchmark (billet Mistral)	Mistral Large 4
DeepSWE v1.1	61,7 %
SWE-Atlas-QnA	59,4 %
Coding Agent Index	49,8 %
Terminal-Bench 4.0	28,3 %
AutomationBench	59,9 %
AA-Briefcase	1 393 Elo
Dense 200 (ancrage visuel)	42 % (GPT-6 Astra : 41 %)
Résistance aux attaques B3	93,3 %

Le seul face-à-face chiffré est une évaluation humaine menée par Surge AI, où Mistral Large 4 obtient 3,74 — devant Kimi K3 (3,59), GLM-5.3 (3,60) et GLM-5.2 (3,40), derrière Claude Opus 5 (4,22). Mistral affirme aussi que le modèle mène les modèles à poids ouverts sur l'Artificial Analysis Cyber Index et sur le benchmark d'agent juridique de Harvey, sans donner ces scores.

Une vérification indépendante existe déjà. Vals.ai a évalué le modèle le jour du lancement : 48,05 % sur le Vals Index (32e sur 44), 54,68 % sur Finance Agent v2, 15,83 % sur le Legal Agent Benchmark de Harvey (6e sur 75 — un bon résultat sur un benchmark difficile), et 22,73 % sur Terminal-Bench 4.0, sous les 28,3 % annoncés par Mistral sur le même benchmark. Le harnais et les réglages diffèrent entre les deux, donc aucun chiffre n'est « faux » — mais l'écart rappelle qu'un tableau du jour de lancement est le meilleur cas de l'éditeur.

Notre lecture : Mistral Large 4 n'est pas le premier modèle ouvert sur tous les classements agentiques — sur DeepSWE, par exemple, DeepSeek annonce des scores plus élevés pour ses propres modèles récents —, mais c'est un modèle de classe frontière issu d'un labo européen, solide sur le juridique et la finance, avec un contexte de 512K. Comme sur chaque fiche modèle, un score de classement est un point de départ, pas un verdict : testez vos propres prompts difficiles.

Ce que nous avons mesuré sur l'API (2026-10-06)

Nous avons branché le modèle le jour du lancement et vérifié la surface de l'API par des appels réels plutôt que de nous fier à l'annonce :

• Limites de contexte et de sortie : la liste des modèles renvoie un contexte de 524 288 tokens ; une requête avec max_tokens au-delà de 262 144 est refusée avec une erreur explicite.
• Appel d'outils : une requête avec un outil get_weather a renvoyé un tool_call valide aux arguments JSON corrects, et l'aller-retour role: "tool" a été accepté.
• Streaming : l'usage (tokens en cache compris) arrive sur le dernier chunk, donc les appels streamés sont décomptés exactement comme les autres.
• Un schéma de requête strict : l'API de Mistral rejette en 422 des champs que la plupart des SDK OpenAI envoient par défaut — user, seed, max_completion_tokens, un name sur un message, le rôle developer. Sur Frontière AI, la passerelle les traduit (par exemple max_completion_tokens devient max_tokens, developer devient system) : un client OpenAI existant fonctionne sans modification.

Nous avons aussi passé nos deux suites Frontière Verified via la passerelle de production le jour du lancement. Benchmark : réussi — 25 réponses QA justes sur 25, 0,56 s jusqu'au premier token en moyenne, 38,7 tokens/s sur une génération de 1 269 mots. Audit de sécurité : réussi — 14 prompts adverses sur 15 traités sans risque, les cinq catégories validées ; le seul raté est une injection de prompt qui a fait écrire au modèle un marqueur injecté avant sa réponse. Les deux contrôles restants, licence et provenance, attendent la publication des poids.

Raisonnement hybride : comment l'activer

Par défaut, Mistral Large 4 répond directement, sans phase de réflexion — rapide et économique pour l'extraction, la classification et la conversation courante. Pour qu'il raisonne d'abord, envoyez reasoning_effort. L'API de Mistral n'accepte que deux valeurs, high et none ; sur Frontière AI, tout effort autre que none ou minimal active la réflexion.

Mistral renvoie la réflexion sous forme de blocs structurés dans le contenu du message, un format que les clients OpenAI n'attendent pas. La passerelle la replie sur la convention des autres modèles de raisonnement du catalogue : la réponse visible dans content, la réflexion dans reasoning_content, en streaming comme sans. Les tokens de réflexion sont de vrais tokens de sortie et sont facturés comme tels — reasoning_effort est donc aussi un levier de coût.

curl https://getfrontiereai.eu/api/v1/chat/completions \
  -H "Authorization: Bearer $FRONTIERE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "mistral-large-4", "reasoning_effort": "high",
       "messages": [{"role": "user", "content": "Analyse cette clause de contrat..."}]}'

Prix et disponibilité

Mistral Large 4 est live sur notre catalogue sous le slug mistral-large-4, appelé avec la même requête compatible OpenAI que tous les autres modèles. Prix client (notre marge et la TVA comprises, solde prépayé, sans abonnement) : 2,2848 € par million de tokens d'entrée, 7,0224 € par million de tokens de sortie, 0,2352 € par million de tokens d'entrée en cache.

Modèle	Voie	Entrée, par million de tokens (client, TTC)	Sortie, par million de tokens (client, TTC)
Mistral Large 4 (~1T, multimodal, preview)	Souverain UE · Mistral AI	2,2848 €	7,0224 €
Mistral Small 3.2 (24B, multimodal)	Souverain UE · OVHcloud	0,1512 €	0,4704 €

Notre base de coût est le tarif catalogue de Mistral pour ce modèle (1,36 USD par million de tokens d'entrée et 4,18 USD par million de tokens de sortie, hors taxes), majoré comme le reste du catalogue. La règle pratique : Large 4 pour les problèmes difficiles — longs documents, agents multi-étapes, revue de code, analyse juridique et financière ; Mistral Small 3.2 pour le travail courant à fort volume, pour une fraction du prix.

Souveraineté et RGPD

Sur Frontière AI, Mistral Large 4 est servi par Mistral AI elle-même — une société française — sur sa région UE, que la passerelle épingle explicitement (api.eu.mistral.ai) au lieu de laisser la région au hasard. Mistral indique que la preview est servie sur la même infrastructure européenne que celle de l'entraînement, dans un déploiement qu'elle « operates end-to-end, independently of other digital service providers and under European law ». La route est donc marquée souveraine, chaque réponse porte x-sovereign: true, et les clés restreintes aux fournisseurs souverains peuvent l'appeler.

Une nuance, que nous affichons plutôt que de la cacher : Mistral conserve les entrées et sorties de l'API 30 jours pour surveiller les abus, sauf si le Zero Data Retention est activé sur le compte. Frontière AI ne stocke ni prompt ni réponse, sur aucune route — mais à cause de cette fenêtre côté fournisseur, le score de souveraineté du modèle est de 80/100 (« Hébergé UE ») et non de 90 comme les routes OVHcloud et Scaleway, qui ne documentent aucune rétention de routine. Notre méthodologie de souveraineté détaille chaque critère, et l'article RGPD vs CLOUD Act explique pourquoi c'est l'opérateur — pas le modèle — qui décide de la juridiction.

Pour une entreprise européenne, l'intérêt pratique tient au calendrier : un modèle de classe frontière est appelable dès le jour de sa sortie sur l'infrastructure propre de son éditeur européen, sans attendre qu'un cloud souverain l'ajoute à son catalogue. Une fois les poids publiés, les clouds souverains pourront le servir à leur tour. Pour situer Mistral dans le paysage, voir aussi notre panorama de l'IA open source française.

FAQ