Mistral ha presentado Mistral Large 4, apodado «Le Chonk», un modelo multimodal, multilingüe y de mezcla de expertos (Mixture-of-Experts) que toma como entrada texto e imágenes y produce texto. Cuenta con aproximadamente 1T de parámetros en total y una ventana de contexto de 1M de tokens, donde token designa la unidad de texto que procesa el modelo. Se distribuye bajo la Mistral Ecosystem Open-Weight License, una licencia derivada de la MIT que establece límites para las ofertas de tipo model-as-a-service.
- Mistral Large 4 es un modelo multimodal de mezcla de expertos con unos 1T de parámetros.
- Su ventana de contexto alcanza 1M de tokens y se distribuye con licencia de pesos abiertos.
- El modelo obtiene 82 % en el Artificial Analysis Cyber Index y rechaza solicitudes peligrosas.
- Es compatible con transformers, vLLM y llama.cpp, y admite fine-tuning.
El modelo existe en dos variantes oficiales, FP8 y NVFP4. Se han creado versiones en formato GGUF, destinadas a ejecutarse localmente, por Unsloth y el equipo de llama.cpp.
Un modelo orientado a la ciberseguridad defensiva
Según Mistral, Mistral Large 4 obtiene 82 % en el Artificial Analysis Cyber Index, una prueba que requiere reproducir una vulnerabilidad real en un software de código abierto y luego corregirla. Mistral indica que varios modelos cerrados de vanguardia obtienen una puntuación cercana a cero en esta prueba, ya que se niegan a intentarla. En pruebas internas, el modelo también demostró ser útil para el análisis de malware, la priorización de vulnerabilidades y la redacción de reglas de detección, usos para los que no había sido entrenado específicamente.
Mistral destaca especialmente un uso defensivo. Según la empresa, la búsqueda de fallos y la respuesta a incidentes pueden parecerse a ataques en las consultas dirigidas a un modelo, y ser bloqueadas por filtros. Un equipo que depende de una API también puede perder el acceso en plena crisis. Los modelos de pesos abiertos, en cambio, dejan al usuario el control de la política de uso y del despliegue. No obstante, el modelo rechaza las solicitudes peligrosas: en las consultas de ciberseguridad de los benchmarks JailbreakBench, StrongREJECT y AgentHarm, su tasa de rechazo promedio es, según la fuente, superior a la de cualquier otro modelo de pesos abiertos.
Arquitectura y resultados anunciados
El decodificador de texto consta de 72 capas, una dimensión oculta de 6.144 y 64 cabezas de atención. Combina Multi-head Latent Attention (MLA) y un indexador DeepSeek Sparse Attention (DSA), que selecciona hasta 2.048 posiciones de claves para cada consulta. En las capas MoE, un enrutador elige cuatro expertos entre 128 para cada token, a los que se suma un experto compartido, es decir, cinco expertos activos por token. El codificador de imágenes es un codificador Pixtral de 1,6B.
Mistral anuncia puntuaciones del 61,7 % en DeepSWE v1.1, 59,4 % en SWE-Atlas-QnA y 28,3 % en Terminal-Bench 4, para un Coding Agent Index combinado del 49,8 %, por delante de DeepSeek V4 Pro 0813 y Qwen3.8 Max. En Cybench, el modelo resuelve el 93 % de una serie de 40 desafíos procedentes de competiciones de seguridad, y alcanza un 93,3 % de resistencia a ataques en el benchmark B3 de Lakera. Según la fuente, es a 29 de octubre de 2026 el quinto mejor modelo de pesos abiertos en el Artificial Analysis Intelligence index.
Despliegue y adaptación
Mistral Large 4 es compatible desde su lanzamiento con transformers, vLLM y llama.cpp. En un servidor de ocho GPU NVIDIA H200 a través de Inference Endpoints, la variante FP8 alcanza, para una consulta única, aproximadamente 65 tokens por segundo, y hasta 120 a 138 tokens por segundo en prompts de conversación. En un Mac M3 Ultra, la versión Q2_K muestra aproximadamente 15 tokens por segundo en generación.
El modelo también puede someterse a un fine-tuning, es decir, a un ajuste complementario sobre datos específicos. Se propone un ejemplo con TRL, la biblioteca de Hugging Face, en un nodo de ocho GPU B300, para enseñar al modelo a razonar en el idioma solicitado por el prompt del sistema. Los ejemplos de TRL incluyen un lanzador Slurm. Dell ofrece además una receta optimizada para desplegar el modelo en sus servidores Dell AI, en particular en un nodo NVIDIA B300.
