Mistral ha presentado Mistral Large 4, su modelo de inteligencia artificial más grande hasta la fecha, con 1 billón de parámetros totales y 49.000 millones activos. La compañía francesa lo ofrece ya en acceso preliminar mediante API y prepara la publicación de sus pesos para finales de octubre. El modelo es multimodal de forma nativa y ha sido entrenado desde cero en centros de datos europeos de Mistral utilizando 3.800 GPU NVIDIA Grace Blackwell.
Las claves de Mistral Large 4 en 30 segundos
- Mistral Large 4 reúne 1 billón de parámetros, aunque solo 49.000 millones permanecen activos durante cada inferencia.
- Es multimodal de forma nativa y está diseñado para programación, agentes, ciencia, finanzas, fabricación y ciberseguridad.
- Mistral afirma que supera a modelos cerrados de frontera en algunas pruebas de comprensión visual y lidera entre los modelos de pesos abiertos europeos y estadounidenses.
- La compañía ya ofrece una API de prueba y publicará los pesos a finales de octubre.
- El entrenamiento se realizó en Europa con 3.800 GPU NVIDIA Grace Blackwell y el servicio preliminar funciona sobre esa misma infraestructura.
Mistral Large 4, conocido internamente como ML4 y apodado informalmente «Le Chonk» por la propia compañía, representa un cambio de escala para Mistral. El modelo alcanza el billón de parámetros, pero utiliza una arquitectura que activa 49.000 millones durante cada ejecución. Esa diferencia permite mantener una capacidad total muy elevada sin que cada consulta tenga que utilizar todos los parámetros disponibles.
La compañía lo presenta como un modelo multimodal nativo, capaz de trabajar con texto e imágenes y de combinar esa comprensión visual con herramientas y flujos de trabajo basados en agentes. Mistral afirma que el modelo ofrece resultados competitivos con los modelos de pesos abiertos más avanzados y que supera a cualquier modelo de pesos abiertos desarrollado en Estados Unidos o Europa en sus comparativas agregadas.
Estas afirmaciones proceden de las evaluaciones realizadas por Mistral, por lo que todavía habrá que esperar a que los pesos estén disponibles y a que aparezcan evaluaciones independientes para comprobar cómo se comporta ML4 frente a otros modelos en condiciones comparables.
Un modelo pensado para trabajar con código, herramientas e imágenes
Una de las prioridades de Mistral Large 4 es la programación asistida por agentes. En DeepSWE v1.1 alcanza un 61,7 %, mientras que en SWE-Atlas-QnA obtiene un 59,4 % y en Terminal-Bench 4 llega al 28,3 %. Su puntuación agregada en el Coding Agent Index es del 49,8 %, según las pruebas publicadas por Mistral.
La compañía también realizó una evaluación humana a ciegas junto con Surge AI. Los evaluadores profesionales puntuaron las respuestas de los modelos entre 1 y 5 y ML4 Preview obtuvo una media de 3,74 puntos, la segunda mejor puntuación entre los cinco modelos comparados. Quedó por detrás de Claude Opus 5, que alcanzó 4,22 puntos, y por delante de Kimi K3, GLM-5.3 y GLM-5.2.
El modelo también está orientado a tareas en las que la IA debe utilizar herramientas y completar procesos largos. En AutomationBench, que reúne 657 flujos de trabajo empresariales sobre aplicaciones como Gmail, Google Sheets, Slack y Salesforce, Mistral Large 4 consigue un 59,9 %.
En AA-Briefcase, una evaluación de trabajos profesionales de larga duración, alcanza 1.393 Elo. Mistral afirma que supera en esta prueba a DeepSeek V4 Pro.
La parte multimodal es otro de los elementos destacados. ML4 puede analizar documentos, gráficos, fotografías, planos técnicos y grandes imágenes geoespaciales. Mistral plantea aplicaciones que van desde la inspección de piezas mecánicas en planos de ingeniería hasta el análisis de imágenes por satélite para localizar objetos o ayudar en situaciones de respuesta ante desastres.
En una de las pruebas de referencia de comprensión visual citadas por la compañía, Dense 200, Mistral Large 4 obtiene un 42 %, frente al 41 % de GPT-6 Astra. Mistral utiliza este resultado para afirmar que su modelo supera a un modelo cerrado de frontera en visual grounding, es decir, en la capacidad de relacionar elementos concretos de una imagen con la información que se solicita.
Ciberseguridad, una de las apuestas más importantes
La ciberseguridad ocupa una posición destacada en el lanzamiento. Mistral sitúa ML4 entre los cinco modelos con mejores resultados globales en el Artificial Analysis Cyber Index y afirma que lidera entre los modelos de pesos abiertos desarrollados fuera de China.
En una prueba centrada en reproducir una vulnerabilidad real de software de código abierto y después aplicar un parche, ML4 alcanza un 82 %. La compañía asegura que es la puntuación más alta obtenida en esa prueba. También resuelve el 93 % de los retos de Cybench, un conjunto de 40 ejercicios derivados de competiciones de seguridad informática.
Aquí aparece una de las diferencias que Mistral quiere explotar frente a algunos modelos cerrados. La compañía señala que determinados sistemas comerciales pueden rechazar tareas de investigación de vulnerabilidades aunque estas sean necesarias para comprobar y corregir un fallo. ML4 ha sido entrenado para realizar ese tipo de trabajo dentro de un marco de uso controlado.
Mistral afirma además que sus pruebas internas muestran utilidad para analizar malware, priorizar vulnerabilidades y escribir reglas de detección. La compañía está trabajando de forma privada con líderes de ciberseguridad, socios seleccionados y autoridades estatales para someter el modelo a pruebas reales antes de publicar sus pesos.
El modelo también ha sido evaluado frente a ataques de inyección indirecta de instrucciones. En el benchmark B3 de Lakera, Mistral afirma que resiste el 93,3 % de los ataques evaluados. La compañía también destaca sus resultados en KORA y señala que, pese a sus capacidades para ciberseguridad, mantiene una tasa elevada de rechazo ante solicitudes maliciosas en varias pruebas de seguridad.
Esta combinación es especialmente relevante para Mistral porque el modelo está pensado para poder ejecutarse en infraestructura privada. La publicación de los pesos permitirá a las organizaciones controlar dónde se ejecuta el sistema y aplicar sus propias políticas de seguridad y acceso.
Un modelo europeo entrenado con infraestructura europea
Mistral también ha convertido el origen de la infraestructura en una parte central del lanzamiento. Mistral Large 4 fue entrenado desde cero utilizando 3.800 GPU NVIDIA Grace Blackwell en centros de datos propios de la compañía en Europa.
La versión preliminar disponible actualmente se ejecuta sobre esa misma infraestructura. Mistral asegura que el modelo podrá ofrecerse en distintas regiones del mundo y que contará con un despliegue europeo gestionado de extremo a extremo por la propia compañía, bajo legislación europea e independiente de otros proveedores de servicios digitales.
La apuesta por la soberanía tecnológica también aparece en los datos de entrenamiento. Mistral señala que una parte importante de los datos utilizados para entrenar ML4 era multilingüe y cubría más de 160 idiomas, incluidos todos los idiomas oficiales de la Unión Europea.
La compañía ha trabajado además con empresas de finanzas, ingeniería, fabricación, logística, farmacia, ciencia, transporte marítimo y sector público. Según Mistral, el modelo utiliza el mismo entorno de entrenamiento, personalización y aprendizaje por refuerzo que la empresa ofrece a sus clientes mediante Mistral Forge.
El entrenamiento posterior es uno de los elementos técnicos que la compañía considera determinantes. Mistral explica que su sistema de aprendizaje por refuerzo permite combinar en una misma ejecución tareas de conversación, resolución científica, seguridad, veracidad y uso prolongado de herramientas.
Con unas 3.000 GPU durante una ejecución de entrenamiento, Mistral afirma que puede generar alrededor de 33.000 millones de tokens al día, de los que aproximadamente 16.000 millones son tokens de completado que pueden utilizarse para el entrenamiento después del filtrado y enmascaramiento.
La compañía asegura además que el modelo todavía tiene margen para mejorar porque el proceso de aprendizaje por refuerzo continúa. Mistral espera aumentar esa capacidad a medida que entren en funcionamiento nuevos recursos de computación en sus centros de datos europeos.
Los pesos abiertos llegarán a finales de octubre
Mistral Large 4 se puede probar ya mediante la API de Mistral Studio, pero todavía no es un modelo de pesos abiertos disponible para descarga. La compañía ha anunciado que publicará los pesos a finales de octubre, junto con más información sobre la arquitectura, nuevos benchmarks y detalles sobre su metodología de entrenamiento posterior.
Ese lanzamiento será importante para comprobar hasta qué punto las afirmaciones realizadas durante esta presentación se mantienen cuando investigadores y empresas puedan ejecutar el modelo fuera de la infraestructura de Mistral.
La compañía también plantea ML4 como una base para una nueva generación de modelos especializados. La intención es utilizar este modelo como punto de partida para sistemas optimizados para industrias y tareas concretas, algo especialmente relevante para sectores como ingeniería, fabricación, finanzas, ciencia y ciberseguridad.
Mistral Large 4 llega, por tanto, con una combinación poco habitual: una escala de 1 billón de parámetros, activación de 49.000 millones, capacidades multimodales, orientación hacia agentes y una estrategia de despliegue centrada en el control de la infraestructura. La siguiente prueba será menos publicitaria y más técnica: qué resultados ofrece cuando sus pesos estén disponibles y puedan compararse de forma independiente con los modelos cerrados y abiertos que dominan actualmente las pruebas de referencia.
Preguntas frecuentes
¿Cuántos parámetros tiene Mistral Large 4?
Mistral Large 4 tiene 1 billón de parámetros totales y 49.000 millones de parámetros activos durante cada ejecución.
¿Cuándo se podrá descargar Mistral Large 4?
Mistral ha anunciado que publicará los pesos del modelo a finales de octubre. Mientras tanto, existe una versión preliminar accesible mediante API.
¿Dónde se ha entrenado Mistral Large 4?
El modelo se ha entrenado desde cero en centros de datos propios de Mistral en Europa utilizando 3.800 GPU NVIDIA Grace Blackwell.
¿Para qué sirve Mistral Large 4?
Mistral lo orienta a programación, agentes, comprensión multimodal, ciencia, matemáticas, finanzas, fabricación, ingeniería, trabajo profesional y ciberseguridad.
vía: mistral.ai
