Mistral Large 4 «Le Chonk»: un billón de parámetros
Mistral AI ha publicado los pesos de Mistral Large 4, su primer modelo de un billón de parámetros. Apodado internamente Le Chonk, es un sistema granular de mezcla de expertos con 1,05 billones de parámetros en total, entre 49.000 y 52.000 millones activos por token, una ventana de contexto de 1 millón de tokens y capacidad para recibir imágenes. Un único checkpoint se encarga tanto de responder preguntas rápidas en un chat como de ejecutar largas tareas agénticas; el modo se controla con un ajuste de esfuerzo de razonamiento con niveles bajo, medio y alto. El modelo se entrenó desde cero en 3.800 GPU NVIDIA Grace Blackwell en los propios centros de datos de Mistral en Europa, y ya está disponible en el selector de modelos de vega.chat y a través de api.vega.chat.
Dos lanzamientos con un mes de diferencia
El registro de modelos de Mistral muestra dos versiones de Large 4: una vista previa pública del 6 de octubre de 2026, ahora marcada como retirada, y el checkpoint final del 29 de octubre de 2026, que es la versión activa. Los pesos abiertos en Hugging Face corresponden a la versión del 29 de octubre, mejorada con entrenamiento RL adicional. Las cifras divulgadas durante el período de vista previa, incluidos los precios originales de la API, describen el checkpoint retirado, no el que se distribuye actualmente. Incluso la página oficial de documentación aún muestra la fecha del 6 de octubre y la etiqueta «Public Preview».
El buque insignia anterior, Mistral Large 3, llegó en diciembre de 2025 como parte de la familia Mistral 3. Diez meses entre modelos insignia es un ritmo rápido para modelos de este tamaño.
Arquitectura: de 675B a un billón
| Mistral Large 3 | Mistral Large 4 | |
|---|---|---|
| Parámetros totales | 675B | 1.05T |
| Activos por token | 41B | ~49B (52B con embeddings y capas de salida) |
| Arquitectura | MoE granular | MoE granular |
| Codificador de visión | 2.5B | 1.6B al estilo de Pixtral |
| Ventana de contexto | 256k | 1 millón de tokens |
| Razonamiento | ninguno | bajo / medio / alto, alto por defecto |
| Clúster de entrenamiento | 3,000 NVIDIA H200 | 3,800 NVIDIA Grace Blackwell |
| Licencia | Apache 2.0 | Mistral Ecosystem Open-Weight License |
Según el informe de lanzamiento de vLLM, la columna vertebral tiene 72 capas MoE con 128 expertos enrutados (top-4), más un experto compartido, y un tamaño oculto de 6.144. La atención es MLA, con un indexador DSA disperso que selecciona las 2.048 claves principales por consulta; esto contribuye a que el contexto de un millón de tokens sea manejable. El codificador al estilo de Pixtral acepta imágenes de diferentes tamaños y relaciones de aspecto, varias por solicitud. Los checkpoints oficiales se distribuyen en FP8 y NVFP4, ambos con una caché KV latente FP8. Un generador DSpark integrado ejecuta decodificación especulativa en tres capas MLA de ventana deslizante, acepta unos 2,9 tokens por paso y ofrece una mejora de rendimiento cercana a 2x en TP8.
La activación dispersa no convierte a este modelo en uno pequeño disfrazado. Aunque solo se activan ~49B parámetros por token, almacenar 1.05T de pesos más la caché KV sigue requiriendo un nodo multin GPU considerable.
Evaluaciones: afirmaciones sólidas, resultados dispares
Las cifras que Mistral reporta para el checkpoint final parecen sólidas sobre el papel:
| Evaluación | Resultado | Nota |
|---|---|---|
| FrontierCode 2.0 | 19,7 %, primer puesto | Evaluación de programación integral cerrada de Cognition |
| AA Coding Agent Index | 48 % | Aproximadamente al nivel de GLM-5.3, con un 47 % menos de tokens por tarea |
| Terminal-Bench 4.0 | 41 % | 13 puntos más que en la vista previa; líder entre los modelos de pesos abiertos |
| Cyber Index | 51 % | Detecta, reproduce y corrige vulnerabilidades |
| Rechazo de solicitudes cibernéticas maliciosas | 96,6 % | La cifra más alta entre los modelos abiertos, según Mistral |
| B3 Agent Security | 97,1 % | Aumentó desde el 93,3 % de la vista previa |
| Finch (finanzas, tablas) | 73,3 % | Segundo entre los modelos de pesos abiertos, tras Kimi K3 |
| BrowseComp | 84,5 % | Por encima de GLM-5.3 y DeepSeek Flash 4.1 |
| Surge Code (preferencias humanas a ciegas) | Supera a GLM-5.3, Kimi K3 y DeepSeek V4.1 Flash | Solo queda por detrás de Claude Opus 5.5 |
El laboratorio independiente Vals AI evaluó el mismo checkpoint abierto y obtuvo cifras diferentes: 26,26 % en Terminal-Bench 4.0, frente al 41 % de Mistral; 81,56 % en Vibe Code Bench; 61,72 % en una evaluación de agentes financieros, y un Vals Index de 56,42 %, que sitúa al modelo en el puesto 17 de 30. Una diferencia de 15 puntos en una evaluación con el mismo nombre suele significar que el entorno de pruebas, las herramientas, el presupuesto de tokens y los criterios de parada fueron distintos. Al comparar modelos, compara también las configuraciones.
Una prueba práctica de MindStudio añade una advertencia útil. En ocho tareas de programación agéntica, el modelo obtuvo 42 de 80 puntos: un ajuste fino local de Gemma 2B consiguió 10 de 10 y una simulación con tres ascensores obtuvo 9,5, pero dos tareas recibieron cero porque el modelo terminó su turno sin crear el archivo ni devolver respuesta alguna. El punto débil es la fiabilidad: en esas ejecuciones, el modelo se detuvo antes de producir nada y todavía puede ofrecer un resumen convincente aunque el artefacto subyacente esté roto o no exista.
Precios
El precio de la API para el lanzamiento final es de $0,70 por millón de tokens de entrada y $2,10 por millón de tokens de salida, con la entrada en caché a $0,07. Es un 40 % más que Large 3 por token no almacenado en caché, aunque bastante menos que los $1,36 de entrada y $4,18 de salida de la vista previa.
| Large 3 | Large 4 | |
|---|---|---|
| Entrada por 1 millón de tokens | $0,50 | $0,70 |
| Entrada en caché | ~90 % de descuento | $0,07 |
| Salida por 1 millón de tokens | $1,50 | $2,10 |
El contraargumento de Mistral es la eficiencia: si el modelo completa tareas agénticas con entre un 30 y un 47 % menos de tokens que sus rivales, el costo por tarea terminada importa más que el costo por millón de tokens. Conviene medirlo con tu propia carga de trabajo antes de sacar conclusiones.
El asterisco de la licencia
Large 4 se distribuye bajo la Mistral Ecosystem Open-Weight License, una licencia MIT modificada. Se permiten el uso, la modificación, el ajuste fino, la distribución y la comercialización, con una condición: una empresa que ofrezca un negocio de Model-as-a-Service, donde terceros tengan acceso a inferencia o posentrenamiento con un control significativo sobre las entradas y los parámetros, necesita una licencia comercial aparte de Mistral. El uso interno y el uso a través de los propios productos de Mistral están exentos. Apache 2.0, la licencia de Large 3, no tiene esa cláusula, por lo que es la opción legalmente más sencilla para proveedores de alojamiento.
Notas de implementación
vLLM lanzó compatibilidad desde el primer día con una lista considerable de mejoras de ingeniería. NVFP4 funciona con cuatro GPU Blackwell (o TP8 en ocho). El paralelismo de contexto de decodificación divide la caché KV latente entre los rangos para ofrecer aproximadamente 7,9x más capacidad KV en TP8, y HiSparse descarga KV a la memoria del host, lo que aumenta la capacidad KV de un nodo GB300 de 1,97 millones a entre 8,77 y 11,25 millones de tokens. También son compatibles SGLang, Transformers y Docker Model Runner, y Microsoft Foundry ofrece implementaciones privadas en Azure para organizaciones que quieren alojar el modelo en su propia infraestructura.
Una trampa de integración del ecosistema: el proveedor de Mistral del SDK de IA de Vercel descartaba silenciosamente el parámetro reasoning_effort para Large 4 porque el identificador del modelo no estaba en una lista de permitidos codificada de forma fija. Por eso, las solicitudes se enviaban sin razonamiento. El error ya está corregido y hay pruebas de regresión. La lección es generalizable: verifica que los parámetros de razonamiento y herramientas realmente lleguen al modelo, porque «el SDK es compatible con Mistral» no garantiza nada al respecto.
Seguridad, con salvedades explícitas
Mistral dio una importancia inusual a la seguridad en este lanzamiento: una tasa de rechazo del 96,6 % ante solicitudes cibernéticas maliciosas, un 97,1 % de resistencia a ataques en la evaluación B3 Agent Security y una variante especializada en ciberseguridad para pruebas de penetración y red teaming, entregada a socios como Orange Cyberdefense bajo contratos estrictos. La empresa también afirma claramente que la supervisión del tráfico en vivo mostró potencial de mejora en ataques reales, por lo que las barreras de seguridad siguen evolucionando. La documentación técnica advierte que el modelo no es infalible y no está pensado para tomar decisiones críticas sin validación y supervisión humana. Como muestran los resultados de MindStudio, las sólidas métricas de seguridad y las tareas agénticas incompletas coexisten en el mismo modelo.
Large 3 o Large 4
Elige Large 4 si necesitas el contexto de 1 millón de tokens, los modos de razonamiento o las mejores cifras entre los modelos de pesos abiertos en tareas agénticas de programación y ciberseguridad, y si tu implementación puede manejar un checkpoint de un billón de parámetros. Quédate con Large 3 si te importa más el precio por token o la simplicidad de la licencia: Apache 2.0 no impone cláusulas MaaS, el token no almacenado en caché cuesta un 40 % menos y la ficha documenta la implementación en un único nodo A100 o H100 con NVFP4. Large 3 también tiene debilidades conocidas, como caídas de calidad en NVFP4 por encima de un contexto de 64k y llamadas a herramientas menos fiables en pruebas independientes.
Elijas el que elijas, haz una prueba piloto con el checkpoint del 29 de octubre y tus tareas reales, comprueba que las llamadas a herramientas se ejecuten y que los artefactos se escriban correctamente, y anota la versión y la configuración de muestreo junto a cada cifra que registres. Los ajustes recomendados por Mistral son temperatura 1.0 y top_p 0.95.
Mistral Large 4 ya está disponible en la lista de modelos de vega.chat, y los desarrolladores pueden llamarlo a través de la API compatible de api.vega.chat.