A Mistral AI (abre em nova aba) colocou em preview público o Mistral Large 4 (abre em nova aba), sob o codinome Le Chonk. Trata-se de um modelo multimodal baseado em Mixture of Experts (MoE, técnica que divide a rede neural em sub-redes especializadas chamadas especialistas, ativando apenas uma fração delas a cada cálculo). O sistema atinge 1,05 trilhão de parâmetros totais, mantendo 49 bilhões de parâmetros ativos por token processado.
Essa disparidade entre parâmetros totais e ativos define a arquitetura MoE granular adotada pelo laboratório francês. Modelos densos tradicionais acionam todos os pesos a cada inferência, elevando o custo computacional de forma proporcional à escala do modelo. O roteamento granular do Mistral Large 4 direciona os dados apenas aos especialistas relevantes para a tarefa imediata. A documentação técnica da empresa registra uma variação na contagem de ativação, apontando 52 bilhões de parâmetros ativos em certas configurações de execução, contra os 49 bilhões descritos na divulgação primária. Ambas as marcações confirmam a proporção esparsa de aproximadamente 5% de densidade ativa sobre a estrutura agregada de 1 trilhão de pesos.
Integrado à arquitetura de linguagem, o modelo inclui um codificador visual nativo de 1,6 bilhão de parâmetros. Esse componente processa informações visuais antes de integrá-las aos especialistas do modelo principal, viabilizando interpretação direta de documentos técnicos, diagramas de rede e interfaces gráficas. A janela de contexto suporta 1 milhão de tokens (a unidade básica de texto processada por uma rede neural, equivalente a partes de palavras ou caracteres), permitindo que bases inteiras de código ou manuais regulatórios extensos permaneçam na memória de trabalho durante a sessão de inferência.
A construção de um modelo com essa magnitude exigiu infraestrutura física dedicada dentro da União Europeia. O treinamento ocorreu ao longo de cerca de dois meses em um cluster de aproximadamente 3.800 a 4.000 GPUs NVIDIA Grace Blackwell instaladas em centros de dados próprios da Mistral AI no continente europeu. O pré-treinamento incluiu mais de 160 idiomas, cobrindo todas as línguas oficiais da União Europeia.
O paradoxo desta escala reside na dependência de silício projetado nos Estados Unidos para consolidar autonomia técnica na Europa. Embora a soberania de dados e o controle operacional permaneçam sob governança europeia nos servidores da empresa, o hardware base depende da arquitetura Blackwell da NVIDIA. A Mistral posiciona essa base local como garantia contra requisitos extraterritoriais de transferência de dados que incidem sobre serviços baseados em provedores de nuvem estrangeiros.
No anúncio oficial divulgado na rede social X, a equipe da Mistral AI resumiu as ambições de desempenho, infraestrutura e o cronograma de entrega dos pesos abertos para a comunidade:
Conheça o Mistral Large 4, também conhecido como Le Chonk. • 1T de parâmetros, nativamente multimodal. 49B ativos. É o melhor modelo de pesos abertos dos EUA ou da Europa em benchmarks agregados. • Estado da arte em cargas de trabalho críticas, incluindo defesa cibernética, manufatura e finanças, e supera modelos proprietários de ponta em visual grounding. • Forjado na Europa de ponta a ponta e implantável a partir da Europa através da nossa própria infraestrutura Mistral Cloud. • Disponível para todos via API hoje. Trabalhando com parceiros de cibersegurança em caráter privado. Liberação dos pesos abertos no final de outubro.
Nas métricas de cibersegurança, o modelo foi submetido a testes técnicos focados em análise de vulnerabilidades e resposta a incidentes. A empresa reporta 93% de resolução nos desafios do Cybench, referência para avaliação de capacidades defensivas e ofensivas de segurança da informação. No teste CyberGym-E2E, voltado para ambientes simulados de exploração de vulnerabilidades fim a fim, a pontuação registrada foi de 82%. A Artificial Analysis posicionou o Mistral Large 4 entre os cinco melhores modelos globais no seu Cyber Index, superando qualquer modelo de pesos abertos (open-weight, cujos parâmetros numéricos são baixáveis para execução autônoma) desenvolvido nos Estados Unidos ou na Europa.
Esses resultados em cibersegurança coincidem com índices específicos em tarefas agênticas (sistemas de IA com autonomia para executar sequências de ferramentas de terminal, testes e edição de código sem intervenção humana a cada etapa). No benchmark DeepSWE v1.1, focado em correção de falhas em repositórios de software reais, o Mistral Large 4 atingiu 61,7%. No SWE-Atlas-QnA, marcou 59,4%. Em ambientes de linha de comando medidos pelo Terminal-Bench 4.0, a taxa de sucesso foi de 28,3%.
O índice agregado Artificial Analysis Coding Agent Index consolidou a taxa do modelo em 49,8%. Avaliações cegas conduzidas pela plataforma independente Surge AI colocaram o modelo na segunda posição entre cinco modelos de ponta testados, com uma pontuação de 3,74 em uma escala qualitativa humana.
| Benchmark / Teste | Pontuação do Mistral Large 4 | Foco Técnico |
|---|---|---|
| Cybench | 93,0% | Desafios práticos de cibersegurança |
| CyberGym-E2E | 82,0% | Ambientes fim a fim de ciberdefesa |
| DeepSWE v1.1 | 61,7% | Resolução de bugs em repositórios reais |
| SWE-Atlas-QnA | 59,4% | Diagnóstico e perguntas sobre código |
| Terminal-Bench 4.0 | 28,3% | Execução autônoma de ferramentas de terminal |
| Coding Agent Index | 49,8% | Média agregada para agentes de software |
| Dense 200 (Visual Grounding) | 42,0% | Localização precisa de coordenadas visuais |
O comportamento multimodal do codificador de 1,6 bilhão de parâmetros se destaca em visual grounding (capacidade de mapear termos textuais para coordenadas exatas em pixels dentro de uma imagem). No teste Dense 200, a Mistral registrou 42% de precisão para o modelo, enquanto o concorrente proprietário GPT-6-Astra marcou 41%. A margem estreita demonstra paridade funcional com sistemas fechados de última geração em tarefas que exigem decodificação espacial fina, como a leitura de esquemas técnicos e a extração de dados estruturados em telas de software legadas.
Em robustez e segurança de alinhamento, métricas independentes atestam resistência a ataques de injeção de prompt e jailbreaks. No benchmark B3 da Lakera, a taxa de rejeição de ataques maliciosos alcançou 93,3%. No KORABench, teste de conformidade de segurança e recusa a comandos danosos, o modelo obteve pontuação de 1,691 de um teto possível de 2,0.
A distribuição do Mistral Large 4 segue a estratégia de fases da empresa. A interface de programação de aplicações (API) no Mistral Studio está ativa para desenvolvedores, cobrando US$ 1,36 por milhão de tokens de entrada e US$ 4,18 por milhão de tokens de saída. O download dos arquivos de peso do modelo tem liberação programada para 27 de outubro, sob os termos de uma licença customizada da própria Mistral, após um período de testes restrito a parceiros de defesa cibernética e entidades governamentais.