Mistral Large 4 : l’open weight européen existe, la parité attendra

Le Chonk, en clair

Mistral a mis en ligne le 6 octobre la preview publique de Mistral Large 4, surnommé « le Chonk » dans l’annonce. Un modèle de 1 000 milliards de paramètres, dont une cinquantaine de milliards activés par token (52 selon Mistral, 49 selon ActuIA), une architecture Mixture of Experts, un encodeur visuel de 1,6 milliard de paramètres et une fenêtre de contexte annoncée à un million de tokens. Artificial Analysis, qui mesure lui-même, en compte 524 000. Le modèle avale du texte et des images.

Entraîné de zéro sur 3 800 GPU Nvidia Grace Blackwell, environ deux mois, dans les datacenters que Mistral possède en Europe. Plus de 160 langues dans les données, dont toutes les langues officielles de l’Union européenne. La preview est servie depuis cette même infrastructure, via Mistral Studio, à 1,36 dollar le million de tokens en entrée et 4,18 dollars en sortie. Le 6 octobre, la fiche technique affichait un tarif de lancement deux fois plus bas, sans préciser jusqu’à quand.

Les poids sont promis pour la fin du mois, le 27 octobre selon The Next Web. La licence n’est pas annoncée.

Open weight, ce n’est pas une licence, c’est un format

Un modèle open weight, tu peux télécharger ses paramètres et le faire tourner chez toi, ou chez un hébergeur qui n’est pas Mistral. Tu ne dépends plus d’une API qui peut changer ses prix, ses règles ou fermer la porte du jour au lendemain. C’est l’argument que Mistral porte depuis sa création, et cette fois il y a un vrai modèle derrière.

Nuance de calendrier : tant que les poids ne sont pas publiés, Artificial Analysis classe Large 4 parmi les modèles propriétaires. Et la fiche technique affiche « Open » sans nommer de licence, là où Mistral Large 3 était publié sous Apache 2.0. Trois points restent ouverts pour un acheteur, qu’ActuIA a listés : la licence, le coût d’exploitation (aucune configuration matérielle de référence n’est publiée pour un modèle de cette taille) et le calendrier.

Reste le point pratique : 1 000 milliards de paramètres, ça ne tourne pas chez toi. Même en mixture of experts, il faut des GPU que tu n’as pas. L’open weight te donne une option, pas une machine. Ce que tu gagnes aujourd’hui, c’est de pouvoir dire à ton fournisseur que tu peux partir. C’est peu spectaculaire et ça vaut beaucoup en négociation.

Le classement indépendant ne suit pas le communiqué

Mistral positionne Large 4 comme « compétitif avec les meilleurs modèles open source » et « surpassant largement tout modèle open weight développé aux États-Unis ou en Europe ». Les chiffres choisis par le vendeur ne disent pas tout.

Sur l’indice d’intelligence d’Artificial Analysis, consulté le 6 octobre, Large 4 Preview est à 38 points. Claude Opus 5.5 est à 58, GPT-6 Astra à 53. Six modèles ouverts chinois sont devant : MiMo-V2.6-Pro à 46, GLM-5.3 à 45, Kimi K3 à 44. Large 4 est le huitième modèle open weight du classement, à huit points du premier. La seconde moitié de la phrase de Mistral tient en revanche sans réserve, avec douze points d’avance sur le meilleur modèle ouvert américain mesuré. Quant à la formule « le meilleur hors de Chine », elle se joue à quatre points, devant Motif 3, un modèle sud-coréen.

Il y a plus gênant. Sur DeepSWE, Mistral met en avant 61,7 %, devant GLM-5.3 et DeepSeek V4 Pro. Le tableau publié la veille par Reflection AI pour son propre modèle reprend les mêmes valeurs pour ces deux-là, mais y ajoute Kimi K3 à 68 % et DeepSeek V4.1 Flash à 74,2 %, deux modèles absents du graphique de Mistral. Ce n’est pas une accusation, c’est la règle du jeu : un benchmark choisi par le vendeur est un argument commercial avant d’être une mesure.

Guillaume Lample, cofondateur, ne le cache pas non plus. Il situe son modèle « au même niveau que les meilleurs modèles chinois d’il y a un mois ou deux », dans un entretien au Temps. Et la documentation de Mistral liste, dans ses modèles généralistes avec la mention « third-party », le chinois GLM-5.3 de Z.ai. Comme le résumait ActuIA en septembre : l’Europe assemble ce que la Chine fournit.

Là où le modèle devient utile dans une boutique

Trois choses concrètes, et elles ne sont pas dans les graphiques de code.

La vision. Large 4 n’est pas seulement multimodal, il localise. Mistral le mesure à 42 % contre 41 % pour GPT-6 Astra sur Dense 200, un test de repérage d’objets dans des scènes denses. Dans la vraie vie, ça veut dire lire un tarif fournisseur en PDF et en sortir les références, contrôler qu’une photo correspond bien à la variante qu’elle illustre, reconstituer une fiche depuis un catalogue scanné, ou pré-trier un retour client en lisant la photo, la facture et le bon de livraison joints.

Les langues. Plus de 160 langues dans l’entraînement, dont toutes les langues officielles de l’UE. Une fiche produit et un SAV dans dix langues sans repasser par une agence, sur la même image produit.

Le prix. 1,36 dollar le million de tokens en entrée, 4,18 en sortie, et moitié moins au lancement. Ça déplace l’ordre de grandeur de ce que tu peux automatiser sans compter : un traitement qui passait par une prestation humaine peut passer par un modèle.

Le domaine où Mistral gagne vraiment

C’est la cybersécurité, et c’est aussi le seul endroit où les chiffres indépendants lui donnent raison sans réserve.

Sur le Cyber Index d’Artificial Analysis, Large 4 Preview est cinquième sur dix-huit modèles évalués, avec 49,5 points, devant GPT-6 Astra (33,4) et Claude Opus 5.5 (28,7). Mistral insiste sur un point qui n’est pas un détail : sur le test qui demande de reproduire une vulnérabilité réelle puis de la corriger, ces deux modèles fermés marquent près de zéro, parce qu’ils refusent la tâche. La position de Mistral est simple : la défense commence souvent par prouver qu’une faille est réelle, et un filtre qui refuse ce travail bloque celui qui attaque autant que celui qui répare.

Retiens-en une chose, même si tu ne fais pas de sécurité. Le refus d’un modèle fermé est une politique de fournisseur, pas une propriété du modèle. Le jour où ce refus tombe sur une tâche légitime de ton métier, l’open weight devient un argument d’infrastructure, pas d’idéologie.

Ce que la semaine dit de l’écosystème

Pendant ce temps, l’argent. En septembre, les start-up françaises ont levé 3,78 milliards d’euros en 38 tours de table, le total mensuel le plus élevé depuis 2016, d’après le Journal du Net. L’IA pèse 3,08 milliards sur sept opérations. Mais Mistral, à lui seul, pèse 3 milliards : les 37 autres tours se partagent 784 millions, ce qui aurait placé le mois au troisième rang de l’année.

Et la limite est déjà inscrite dans le tableau. Hugging Face, fondé en 2016 par trois Français, a fini racheté par Nvidia, une société américaine rachetée par une autre, rappellent Les Echos. La mission French Tech veut donc flécher les commandes publiques et privées vers ces pousses, pour qu’elles n’aient pas à chercher leurs clients hors du continent.

Traduis pour un indépendant : l’argent va au socle, les modèles, les GPU, les datacenters. Le marché qui s’ouvre n’est pas là. Il est dans le branchement, ces modèles posés sur des données et des process qui n’intéressent personne d’autre que ton client.

Ce que ça change pour un e-commerçant

Tu n’as pas besoin de choisir ton camp cette semaine. Garde Large 4 ou un autre modèle ouvert dans ta liste dès qu’il s’agit d’images et de documents, parce que c’est moins cher et que tu pourras changer de fournisseur sans réécrire ton intégration. Le tri des photos produit, la saisie des tarifs fournisseurs, le pré-classement des retours avec pièce jointe : trois chantiers qui passaient par toi ou par quelqu’un de ton équipe, et qui se tentent maintenant pour quelques centimes par dossier.

Et le lien avec la boutique est déjà là. Les canaux d’achat IA dont je parlais la semaine dernière ont des agents qui lisent ton catalogue en continu. Le jour où tu voudras comprendre ce qu’ils voient, tu le feras avec un modèle comme celui-là, hébergé quelque part en Europe. Ce jour-là, choisir un modèle ne sera plus une question de fan club, mais d’infrastructure.