← Toutes les actualités

Mistral Large 4 en poids ouverts : 1 T de paramètres, un raisonnement impossible à désactiver, et des choix de précision et de licence à vérifier avant déploiement

Selon un billet de blog Hugging Face du 29 octobre 2026, Mistral Large 4 (Le Chonk) est publié en poids ouverts avec environ 1 T de paramètres totaux et 49 B activés, une fenêtre de contexte de 1 M de tokens, des variantes FP8 et NVFP4 ainsi que plusieurs quantifications GGUF. L’intensité de raisonnement est par défaut high et ne peut pas être désactivée ; la voie NVFP4 avec vLLM exige des GPU Blackwell.

Publication Mise à jour
Image de couverture de l’article original — Mistral Large 4 en poids ouverts : 1 T de paramètres, un raisonnement impossible à désactiver, et des choix de précision et de licence à vérifier avant déploiement
Image de couverture de l’article originalArticle original ↗

Ce qui change

Selon un billet de blog Hugging Face publié le 29 octobre 2026, les poids de Mistral Large 4 (nom de code Le Chonk) sont désormais disponibles sur cette plateforme. Il s’agit d’un modèle à mélange d’experts multilingue qui accepte des entrées texte et image et ne produit que du texte : environ 1 T de paramètres au total, 49 B activés par token et une fenêtre de contexte de 1 M de tokens. Deux variantes officielles sont proposées, FP8 et NVFP4, auxquelles s’ajoutent des quantifications GGUF converties par les équipes d’Unsloth et de llama.cpp. Les détails d’architecture donnés dans le billet incluent un décodeur texte de 72 couches, une dimension cachée de 6 144 et 64 têtes d’attention. Le bloc d’attention combine une attention latente multi-têtes avec l’indexeur d’attention creuse de DeepSeek, chaque requête sélectionnant au plus 2 048 positions de clés. Les couches de décodage alternent RoPE et NoPE selon un ratio 3:1 et partagent l’état KV entre couches. La première couche utilise un feed-forward dense ; les 71 autres sont des couches MoE, avec un routeur softmax qui choisit 4 experts parmi 128 pour chaque token, plus 1 expert partagé toujours actif. Côté vision, l’encodeur Pixtral de 1,6 B compte 30 couches, 16 têtes d’attention et des patches de 14×14. Les résultats rapportés par l’éditeur comprennent 61,7 % sur DeepSWE v1.1, 59,4 % sur SWE-Atlas-QnA et 28,3 % sur Terminal-Bench 4, pour un indice composite Coding Agent Index de 49,8 % ; le billet affirme que ce dernier dépasse DeepSeek V4 Pro 0813 et Qwen3.8 Max. En cybersécurité, le modèle obtient 82 % sur un test demandant de reproduire puis de corriger de vraies vulnérabilités, résout 93 % des 40 défis Cybench et affiche une résistance de 93,3 % aux attaques Lakera B3. Au 29 octobre 2026, le billet le classe cinquième de l’indice d’intelligence d’Artificial Analysis parmi les modèles à poids ouverts. Ces chiffres proviennent de l’éditeur ou des référentiels d’évaluation qu’il cite ; cet article ne les a pas reproduits indépendamment.

Conséquences pour les développeurs

Le premier effet concerne la manière d’estimer coûts et latence. La section Transformers du billet indique que reasoning_effort peut valoir low, medium ou high, que high est la valeur par défaut et que le raisonnement ne peut pas être désactivé : transmettre reasoning_effort: none s’exécute quand même en high. Si une chaîne existante a été calibrée en supposant l’absence de mode réflexion pour la longueur de sortie et le délai du premier token, il faut refaire les mesures après intégration. Les Inference Endpoints de Hugging Face placent le contenu du raisonnement dans un champ reasoning distinct de la réponse ; le parsing côté client doit donc être adapté. Le deuxième effet porte sur la portée du contexte. La fiche du modèle annonce 1 M de tokens, mais la commande de lancement vLLM donnée dans le billet fixe max-model-len à 131072 et la recette de point de terminaison parle elle aussi d’un contexte allant jusqu’à 131 K. Les deux ne se contredisent pas, mais cela indique que 1 M correspond davantage à une limite capacitaire des poids qu’à une configuration de service utilisable telle quelle ; la longueur réellement exploitable dépend aussi de la mémoire GPU et des réglages de concurrence. Le troisième effet est la bifurcation entre matériel et précision. Le point de contrôle NVFP4 nécessite des NVIDIA Blackwell ; la recette de point de terminaison utilise FP8 sur 8 H200 avec parallélisme tensoriel et parallélisme d’experts, pour servir un contexte de 131 K et jusqu’à 16 requêtes simultanées. Le billet présente aussi des quantifications GGUF : la version 2 bits peut tourner sur une seule machine Apple Silicon dotée de 512 Go de mémoire unifiée, tandis que les autres quantifications nécessitent une inférence distribuée sur plusieurs GPU NVIDIA ou AMD. Les ordres de grandeur de débit de ces trois voies diffèrent fortement et ne sont pas extrapolables entre eux. Le quatrième effet est la licence. Les poids sont distribués sous Mistral Ecosystem Open-Weight License ; le billet affirme qu’il s’agit d’une licence dérivée de MIT et qu’elle impose des limites au modèle en tant que service. Le fait de pouvoir télécharger les poids ne signifie pas que l’on peut librement proposer un service d’inférence externe ; les limites exactes doivent être appréciées à partir du texte de la licence. Le cinquième effet est le seuil de fine-tuning. L’exemple TRL LoRA du billet tourne sur un nœud de 8 B300, et le script d’entraînement utilise FSDP avec parallélisme d’experts : ce n’est pas une configuration reproductible sur une seule carte.

Intégration et évaluation

Les conseils ci-dessous sont conditionnels et ne constituent pas des conclusions déjà vérifiées. Décision 1 : faut-il abaisser l’intensité de raisonnement par défaut ? Le fait rapporté est que le raisonnement ne peut pas être désactivé et que high est la valeur par défaut. L’option consiste à passer de high à low ou medium. La condition préalable est que votre charge corresponde à des sorties courtes, à de l’extraction ou à de la classification à format fixe ; pour des tâches comme la correction de code en plusieurs étapes ou la reproduction de vulnérabilités, les benchmarks du billet ont été mesurés en raisonnement élevé, et changer de niveau revient à changer l’objet évalué. La méthode d’évaluation consiste à exécuter high et low sur le même lot d’échantillons fixes, en relevant le nombre de tokens de sortie, la latence de bout en bout et le taux de réussite ; ne modifiez la valeur par défaut que si la baisse de réussite est acceptable et que les tokens et la latence diminuent réellement. Décision 2 : quelle voie de déploiement choisir ? Le fait rapporté est que l’éditeur propose deux variantes de précision, FP8 et NVFP4, que seule FP8 dispose d’une recette publique sur 8×H200 et que NVFP4 exige Blackwell ; cela ne signifie pas pour autant que les machines non Blackwell n’aient qu’une seule option, puisque le billet donne aussi des quantifications GGUF pour llama.cpp, dont la 2 bits exécutable sur une seule machine Apple Silicon à 512 Go de mémoire unifiée, les autres nécessitant une inférence distribuée sur plusieurs cartes NVIDIA ou AMD. L’option consiste à choisir entre FP8, NVFP4 et GGUF sur le matériel disponible. La condition préalable est de disposer d’une machine de classe 8×H200 pour envisager de reproduire la recette FP8, de disposer de Blackwell pour tester NVFP4 en échange d’une empreinte mémoire plus faible, ou, avec une seule machine ou quelques cartes grand public, de se rabattre sur les quantifications GGUF en acceptant une perte de précision. La méthode d’évaluation consiste à effectuer un test de charge à la concurrence visée et avec vos longueurs d’invite réelles, en relevant le délai du premier token, le débit de génération et l’occupation mémoire ; les chiffres rapportés d’environ 0,6 s pour le premier token sur une requête unique et d’environ 4 300 tok/s de préremplissage pour une invite de 16 K avec quatre requêtes simultanées doivent servir de repère d’ordre de grandeur, pas de seuil d’acceptation. Décision 3 : faut-il concevoir pour un contexte de 1 M ? Le fait rapporté est que la fiche du modèle indique 1 M, que la configuration de service est à 131 K et que, dans les propres tests de contexte long du billet, IQ2_XXS tombe à 3 tok/s de génération avec un contexte de 800 K. L’option consiste à ouvrir une voie distincte pour le contexte long ou à ramener les requêtes sous 131 K pour les traiter de façon uniforme. La condition préalable est de commencer par mesurer la longueur p95 des requêtes réelles ; si elle est très inférieure à 131 K, sacrifier de la concurrence pour une fenêtre inutilisée n’est pas rentable. La méthode d’évaluation consiste à construire un jeu de test à la longueur p95 et à comparer, sur les mêmes tâches, le taux d’achèvement et le temps total de deux approches : troncature à 131 K et entrée complète. Décision 4 : faut-il héberger soi-même les charges de sécurité ou continuer avec une interface managée ? Le fait rapporté est que le billet met la cybersécurité en avant, affirme que le taux de refus moyen sur les invites de cybersécurité de JailbreakBench, StrongREJECT et AgentHarm est supérieur à celui d’autres modèles à poids ouverts, et indique que plusieurs modèles frontières fermés obtiennent des scores proches de zéro sur le même test de reproduction en raison de leurs refus. L’option consiste à déployer soi-même ou à continuer d’utiliser une API fermée. La condition préalable est que l’auto-hébergement ne devient intéressant que si les tâches sont effectivement bloquées par les filtres d’un modèle fermé ou s’il faut maintenir l’accès sans interruption pendant le traitement d’un incident ; les poids ouverts placent la politique d’usage et le déploiement entre vos mains, mais aussi la conformité et la protection contre les abus. La méthode d’évaluation consiste à mesurer, sur vos échantillons historiques, le taux de réussite et le taux de refus pour la séquence « reproduire puis corriger », puis à comparer ces chiffres à ceux obtenus avec une interface fermée sur les mêmes échantillons.

Limites et points à confirmer

Premièrement, Mistral Large 4 ne figure actuellement pas dans le catalogue de modèles de KimiSeek ; les Inference Endpoints, l’inférence sans serveur via Inference Providers et les recettes Dell Enterprise Hub mentionnés dans l’article relèvent de canaux du côté de Mistral, Hugging Face et Dell. La disponibilité de cette version et de son API sur ce site, ainsi que sa forme, doivent être vérifiées dans le catalogue et sur les pages réelles du site. Deuxièmement, les benchmarks sont pour l’essentiel auto-déclarés par l’éditeur ou issus de référentiels tiers qu’il cite. La position de « cinquième modèle à poids ouverts » est datée du 29 octobre 2026 ; les conclusions sur l’analyse de logiciels malveillants, la priorisation des vulnérabilités ou la génération de règles de détection proviennent de tests internes à Mistral et n’ont pas été reproduites indépendamment. Troisièmement, les chiffres de débit proviennent de machines et de quantifications précises ; les résultats sur M3 Ultra, 4 RTX6000 Pro ou 8 H200 ne peuvent pas être extrapolés à d’autres grappes. Quatrièmement, le billet n’explique pas l’arbitrage entre la spécification de 1 M, la configuration de service à 131 K et la baisse de débit en contexte long ; il faut donc le mesurer soi-même. Cinquièmement, dans l’exemple de requête multimodale de llama.cpp cité dans le texte original, le champ model contient le nom d’un autre modèle, ce qui rend une copie littérale risquée ; le nom du dépôt officiel est indiqué comme 1T-A52B alors que le corps du texte décrit 49 B de paramètres activés. Il faut vérifier dans la fiche du modèle si les deux relèvent du même mode de calcul. Enfin, la question de savoir quel service externe constitue un « model-as-a-service » au sens de la licence doit être tranchée à partir du texte de la licence ; cet article ne formule aucune conclusion juridique.

Illustrations de l’article original

Illustration de l’article original 1 — Mistral Large 4 en poids ouverts : 1 T de paramètres, un raisonnement impossible à désactiver, et des choix de précision et de licence à vérifier avant déploiement
Illustration de l’article original 1Article original ↗
Illustration de l’article original 2 — Mistral Large 4 en poids ouverts : 1 T de paramètres, un raisonnement impossible à désactiver, et des choix de précision et de licence à vérifier avant déploiement
Illustration de l’article original 2Article original ↗
Illustration de l’article original 3 — Mistral Large 4 en poids ouverts : 1 T de paramètres, un raisonnement impossible à désactiver, et des choix de précision et de licence à vérifier avant déploiement
Illustration de l’article original 3Article original ↗
Illustration de l’article original 4 — Mistral Large 4 en poids ouverts : 1 T de paramètres, un raisonnement impossible à désactiver, et des choix de précision et de licence à vérifier avant déploiement
Illustration de l’article original 4Article original ↗

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

欢迎 Le Chonk:Mistral Large 4 登陆 Hugging Face

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.