Mistral presenta Large 4, un modelo abierto de 1T

Mistral ha presentado la vista previa pública de Mistral Large 4, un modelo multimodal de un billón de parámetros, con 49.000 millones activos en cada respuesta. La compañía lo describe como su sistema más grande y capaz hasta la fecha, y planea publicar sus pesos a finales de octubre de 2026.

Ya puedes probarlo mediante la API de Mistral Studio. El modelo combina generación de texto, razonamiento, programación, uso de herramientas y comprensión de imágenes en un solo sistema.

Qué ofrece Mistral Large 4

Mistral Large 4 utiliza una arquitectura MoE, siglas de mezcla de expertos. En lugar de activar todos sus parámetros para cada tarea, selecciona solo los grupos necesarios, lo que permite trabajar con un modelo enorme sin utilizar toda su capacidad en cada operación.

También es multimodal de forma nativa: puede analizar texto, imágenes, documentos, gráficos y fotografías. En la práctica, esto permite revisar un plano técnico, localizar una pieza concreta dentro de una imagen satelital o extraer pruebas de un PDF sin separar el proceso en varias herramientas.

La empresa asegura que el modelo destaca especialmente en:

• Programación y análisis de repositorios completos.
• Agentes capaces de buscar información, usar aplicaciones y entregar resultados.
• Ciberseguridad, desde detectar vulnerabilidades hasta crear reglas de defensa.
• Finanzas, asuntos legales, ciencia e ingeniería.
• Comprensión visual de documentos, escenas y dibujos técnicos.

Según las evaluaciones citadas por Mistral, Large 4 obtiene un 82% en una prueba que exige reproducir una vulnerabilidad real de software y después corregirla. También resuelve el 93% de los ejercicios de Cybench, un conjunto de 40 desafíos de seguridad informática.

Estos resultados requieren contexto. Mistral señala que algunos modelos cerrados rechazan tareas de este tipo por sus políticas de seguridad, incluso cuando pueden utilizarse para comprobar y reparar un fallo. Large 4 busca ofrecer esa capacidad bajo las reglas de la organización que lo despliegue, incluida la posibilidad de ejecutarlo en una nube privada o en servidores propios.

Programación y trabajo con herramientas

En programación, el modelo logra un 61,7% en DeepSWE v1.1, un 59,4% en SWE-Atlas-QnA y un 28,3% en Terminal-Bench 4, según cifras recopiladas por Artificial Analysis. Su puntuación combinada en el Coding Agent Index es del 49,8%.

En una evaluación humana a ciegas realizada por Surge AI, profesionales de la programación le dieron una puntuación media de 3,74 sobre 5. Quedó en segundo lugar entre cinco modelos, por detrás de Claude Opus 5 y por delante de Kimi K3, GLM-5.3 y GLM-5.2.

Para tareas de oficina, obtuvo un 59,9% en AutomationBench, que prueba flujos de trabajo con aplicaciones como Gmail, Google Sheets, Slack y Salesforce. También alcanzó 1.393 puntos Elo en AA-Briefcase, una prueba de tareas largas de conocimiento que incluye documentos, presentaciones y hojas de cálculo.

Eso apunta a un uso concreto: un agente que recopila información de varias fuentes, calcula resultados, actualiza una hoja financiera y prepara un informe final, en lugar de limitarse a responder preguntas en un chat.

Un modelo entrenado y desplegado en Europa

Mistral afirma que entrenó Large 4 desde cero en sus propios centros de datos europeos, utilizando 3.800 GPU NVIDIA Grace Blackwell. Una parte importante de los datos de entrenamiento era multilingüe y cubría más de 160 idiomas, incluidos todos los oficiales de la Unión Europea.

La empresa también prepara un despliegue europeo operado de extremo a extremo bajo legislación europea. Para empresas y administraciones, el objetivo es reducir la dependencia de un proveedor externo y mantener mayor control sobre los datos, las políticas de uso y la disponibilidad del sistema.

El modelo se entrenó con el mismo entorno de personalización y aprendizaje por refuerzo que Mistral ofrece a sus clientes mediante Mistral Forge. El aprendizaje por refuerzo permite mejorar el sistema a partir de los resultados de sus propios intentos, con pruebas automáticas, jueces basados en otros modelos y comprobaciones de código.

Qué cambia para ti

De momento, el acceso más directo es la API de vista previa, con un precio anunciado de 1,36 dólares por cada millón de tokens de entrada y 4,18 dólares por cada millón de tokens de salida. Los tokens son las pequeñas unidades en las que el modelo divide el texto para procesarlo.

El cambio importante llegará cuando Mistral publique los pesos. Si cumple su calendario, empresas, investigadores y desarrolladores podrán ejecutar el modelo en infraestructuras propias, adaptarlo a sus necesidades y auditar su comportamiento con más libertad que en un servicio completamente cerrado.

Eso no significa que vaya a ser sencillo instalarlo en un ordenador personal. Un modelo de un billón de parámetros exige una infraestructura considerable, aunque sus 49.000 millones de parámetros activos pueden ayudar a reducir el coste de cada operación frente a un modelo que utilizara toda su capacidad en cada paso.

Mistral todavía debe publicar más detalles sobre la arquitectura, los resultados de las pruebas y el método de entrenamiento. La compañía también avisa de que el aprendizaje por refuerzo continúa y espera mejoras durante las próximas semanas y meses. Lo que conviene vigilar ahora es si esas cifras se mantienen en evaluaciones independientes y si la publicación de los pesos ofrece realmente el control que promete, especialmente en ciberseguridad y entornos empresariales.