Mistral Large 4 : Le Chonk passe en poids ouverts
Mistral Large 4, alias Le Chonk, passe en poids ouverts avec un fort accent sur le code, la multimodalité et la cyberdéfense.
Mistral a publié les poids de Mistral Large 4, son modèle surnommé « Le Chonk », après une phase de preview publique lancée le 6 octobre 2026. L’enjeu est clair : proposer un grand modèle multimodal européen, utilisable via API ou déployable par les organisations, avec un fort accent sur le code et la cybersécurité.
Pour un professionnel, la question n’est pas seulement de savoir si Le Chonk est puissant. Il faut comprendre ce qu’il change dans un workflow de développement, ce que permettent les poids ouverts, et où il reste en retrait face aux meilleurs modèles chinois.
Ce qui change concrètement
Selon Mistral, Mistral Large 4 est un modèle multimodal d’environ 1 000 milliards de paramètres. Il peut traiter du texte et des images en entrée, puis produire du texte ou du code. C’est important pour les usages professionnels : un même modèle peut analyser une capture d’écran, lire une documentation technique, raisonner sur un ticket et proposer un correctif.
Le changement le plus visible concerne le code. Mistral affirme que la version publiée en poids ouverts a bénéficié de plusieurs semaines supplémentaires d’apprentissage par renforcement après la preview. Le modèle progresse notamment sur les tâches de coding agent, c’est-à-dire les scénarios où l’IA ne se contente pas d’écrire une fonction, mais navigue dans un dépôt, comprend les contraintes et propose une modification exploitable.
Mistral met en avant un score de 19,7 % sur FrontierCode 2.0, un benchmark privé de Cognition évaluant si un mainteneur accepterait le changement proposé dans un dépôt. Sur Terminal-Bench 4.0, l’entreprise indique que Mistral Large 4 atteint 41 %, avec une baisse de 30 % des tokens de sortie par rapport à la preview. Sur l’Artificial Analysis Coding Agent Index, Mistral annonce 48 %, tout en utilisant 47 % de tokens en moins par tâche que certains concurrents open-weight.
Le modèle introduit aussi trois modes de raisonnement : low, medium et high. L’idée est de mieux arbitrer entre coût, rapidité et précision. Pour une tâche simple, comme reformater un script ou expliquer une erreur, le mode low peut suffire. Pour une refonte de module ou une analyse de faille, le mode high reste le choix par défaut recommandé par Mistral.
Autre point central : les poids sont désormais disponibles. Cela permet à une organisation de télécharger le modèle et de le déployer elle-même, sous réserve d’avoir l’infrastructure nécessaire. The Decoder précise que Mistral Large 4 est distribué sous une licence modifiée de type MIT : l’usage, la modification et le déploiement commercial sont libres, mais les fournisseurs de cloud commercial doivent obtenir une licence séparée.
Comment l'essayer
Mistral Large 4 a d’abord été proposé en preview publique via l’API de Mistral. D’après Artificial Analysis, le tarif standard observé lors de cette période était de 1,36 $ par million de tokens en entrée et 4,18 $ par million de tokens en sortie, avec un rabais de lancement à 0,68 $ et 2,09 $. The Decoder indique ensuite un prix API de 0,70 $ par million de tokens en entrée et 2,10 $ en sortie.
Pour les organisations qui veulent garder leurs traitements en Europe, Mistral documente un endpoint régional européen à l’adresse api.eu.mistral.ai. La documentation de regional inference indique que plusieurs data centers sont situés dans l’UE et l’AELE. Elle précise aussi une limite importante : les endpoints régionaux ne servent que les modèles hébergés dans la région, et toutes les fonctionnalités ne sont pas disponibles sur ces endpoints.
La disponibilité exacte de toutes les options en France n’est pas détaillée au cas par cas. En pratique, deux chemins existent : utiliser l’API Mistral quand le modèle et la fonctionnalité voulue sont disponibles, ou récupérer les poids pour un déploiement interne. Ce second scénario demande une infrastructure lourde, The Decoder indiquant que l’exécution locale nécessite beaucoup de matériel spécialisé.
Pour qui, et pour quoi faire
Le Chonk vise d’abord les équipes de développement, les équipes sécurité et les organisations qui ont besoin de contrôle sur leur IA. Le cas d’usage le plus concret est celui d’un assistant de correction de vulnérabilités dans une base de code interne.
Imagine une équipe produit qui reçoit un signalement de faille sur un service critique. Le modèle peut aider à lire le dépôt, reproduire le problème, proposer un patch et vérifier que les fonctionnalités existantes ne sont pas cassées. Mistral indique que son Cyber Index mesure précisément ce type de tâche : découvrir une vulnérabilité, la valider, la corriger, puis préserver le comportement existant.
Ce cas d’usage ne remplace pas les développeurs ni les experts sécurité. Il peut en revanche accélérer le tri, la rédaction de correctifs, la documentation des choix techniques et la revue préparatoire. Pour structurer ce type de démarche, le guide NXUS sur les cas d’usage d’agents IA par métier peut aider à identifier les étapes à confier à un agent et celles à garder sous validation humaine.
Limites et points de vigilance
Le premier point de vigilance concerne les performances globales. The Decoder note que Mistral Large 4 reste en retrait face aux meilleurs modèles chinois sur l’Intelligence Index d’Artificial Analysis, malgré de très bonnes performances en code. L’article cite notamment DeepSeek V4.1 Flash et GLM-5.3 devant lui sur ce classement général.
En cybersécurité, le positionnement mérite aussi d’être nuancé. Mistral présente Le Chonk comme très performant pour la défense. Mais The Decoder relève que, sur le Cyber Index, le modèle serait troisième parmi les modèles ouverts cités, derrière DeepSeek V4.1 Flash et MiMo-V2.6-Pro. Il reste donc solide, sans dominer tous les indicateurs indépendants.
Le deuxième risque est le double usage. WIRED rappelle qu’un modèle librement accessible peut servir à la défense, mais aussi être adapté par des acteurs malveillants. Mistral met en avant des garde-fous et une capacité à refuser des requêtes cyber nuisibles, mais aucune protection ne supprime le besoin de supervision, de journalisation et de contrôle des accès.
Enfin, les poids ouverts ne signifient pas simplicité opérationnelle. Héberger un modèle de cette taille suppose des GPU adaptés, des compétences MLOps, une politique de sécurité et une gouvernance claire. Pour beaucoup d’entreprises, l’API restera plus réaliste au départ.
L'avis NXUS
Mistral Large 4 est une option sérieuse si ton entreprise cherche un modèle performant en code, avec une logique de souveraineté plus forte que les modèles fermés. Son intérêt augmente si tu as des contraintes de confidentialité, de personnalisation ou de déploiement contrôlé.
Il ne faut pas le choisir uniquement parce qu’il est en poids ouverts. Compare-le sur tes propres tâches : correction de bugs, génération de tests, analyse de tickets, audit de sécurité, traitement de documents visuels. Les écarts entre benchmarks et usage réel peuvent être importants.
La bonne approche consiste à démarrer par un pilote limité, avec validation humaine systématique et mesures simples : qualité des correctifs, temps gagné, coût en tokens, taux d’erreurs. Si les résultats sont bons, tu peux ensuite arbitrer entre API régionale, hébergement interne et intégration dans un agent métier.
Sources
Source : Mistral AI
Rudy Molinillo
