Mistral Large 4

Fiche modèle · Mistral AI · mistral-large-4

Mistral Large 4 (aka ML4 / Le Chonk) is Mistral AI's flagship open-weight, general-purpose multimodal Mixture-of-Experts model, unifying instruction following, reasoning, coding, and agentic workflows in a single set of weights. Mistral's Hugging Face card describes it as a 1T-parameter model with 49B active parameters per token (52B including embeddings and output layers; docs list 1.05T total with a 1.6B vision encoder), 128 routed experts (4 active) plus 1 shared expert, a 1M-token context window, text+image input and text output, and three reasoning efforts (low, medium, high default). It entered public preview on 2026-10-06; on 2026-10-29 Mistral released the weights of an improved, further-RL-trained version (same API id mistral-large-4) under the Mistral Ecosystem Open-Weight License (modified MIT; Model-as-a-Service businesses need a separate commercial license), priced at $0.70/$0.07/$2.10 per million input/cached input/output tokens.

Fiches modèles

Identité

OrganisationMistral AI
Pays—
Famille—
Typellm
Date de sortie2026-10-06
Licencemodified mit license
Licence commercialenon
Licence open sourcenon
Poids ouvertsoui
Auto-hébergement (DGX Spark)non — 1.05e+03 Md > 107 Md
Modalitésimage|text
Fenêtre de contexte1 000 000
KV cache / token (Q8)589.8 ko/token
Paramètres totaux1.05 T
Paramètres actifs (session)52 B
Source des paramètres actifsweb : https://docs.mistral.ai/models/mistral-large-4
Curation des paramètres actifs2026-10-19
Prix par session1.12 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)1.2 M
Tokens / tâche (Terminal-Bench)83.3 M (est.)
Ratio Terminal-Bench / Data Players69.4×
Coût / tâche (Terminal-Bench)9.41 $ (est.)
Tokens d'entraînement—
Coupure de connaissance—
Créé le2026-10-07T16:54:41.733217Z
Mis à jour le2026-11-04T06:04:56.723299Z
SourceLLM Stats
URLhttps://llm-stats.com/models/mistral-large-4
Tokens/tâche

IA Act — preuves fournisseur

ICA 88/100 · périmètre complet · risque systémique non concerné

CritèreNote / 5Poids
Documentation technique3,85 %
Résumé des données d'entraînement5,035 %
Conformité droit d'auteur5,035 %
Code of Practice GPAI2,520 %
Risque systémique—5 %

Curation : 2026-10-21.

IA Act

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : souverain — via Mistral AI (eurouter, llm_stats).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

FournisseurSourceSouverainetéEntrée (/M tok)Sortie (/M tok)QuantificationContexteLatence (s)Débit (tok/s)Statut
Mistral AIeuroutersouverain———1 048 576———
Mistral AIllm-statssouverain0.70 $2.10 $————active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

CatégorieScore
knowledge0.20
legal0.20
math0.90
multimodal0.40
physics0.90
productivity1 393.00
reasoning155.30
safety0.90
search0.80
finance0.50
general107.70
agents139.90
biology0.90
chemistry0.90
code0.70
tool_calling0.50
vision0.40

Scores par benchmark

BenchmarkCatégorieScoreMaxNormalisé (API)VérifiéAuto-déclaréDaté du
aa-briefcaseagents1 393.003 000.000.46nonoui2026-11-04T06:04:56.783355Z
automationbenchagents0.601.000.60nonoui2026-11-04T06:04:56.773193Z
b3-ai-security-benchmarksafety0.971.000.97nonoui2026-11-04T06:04:56.849741Z
browsecompreasoning0.841.000.84nonoui2026-11-04T06:04:56.861317Z
chartqaprovision0.631.000.63nonoui2026-11-04T06:04:56.797443Z
coding-agent-indexcode0.481.000.48nonoui2026-11-04T06:04:56.753450Z
cybenchsafety0.931.000.93nonoui2026-11-04T06:04:56.829368Z
cybergymcode0.821.000.82nonoui2026-11-04T06:04:56.833927Z
deepswe-1.1code0.621.000.62nonoui2026-11-04T06:04:56.729699Z
dense200vision0.421.000.42nonoui2026-11-04T06:04:56.792488Z
finance-agent-v2agents0.551.000.55nonoui2026-11-04T06:04:56.818937Z
finchfinance0.731.000.73nonoui2026-11-04T06:04:56.843280Z
frontiercode-2.0reasoning0.201.000.20nonoui2026-11-04T06:04:56.865541Z
gdp-pdfgeneral0.191.000.19nonoui2026-11-04T06:04:56.809047Z
harveys-legal-agent-benchmarklegal0.161.000.16nonoui2026-11-04T06:04:56.823003Z
korabenchsafety1.692.000.85nonoui2026-11-04T06:04:56.855811Z
scicodereasoning0.921.000.92nonoui2026-11-04T06:04:56.812730Z
surge-ai-coding-qualitycode3.745.000.75nonoui2026-11-04T06:04:56.763238Z
swe-atlas-codebase-qnacode0.591.000.59nonoui2026-11-04T06:04:56.733145Z
terminal-bench-4.0reasoning0.411.000.41nonoui2026-11-04T06:04:56.745331Z

Classements

CatégorieRangScoreNote conservatriceBenchmarks évaluésMéthodeDaté duProvenance
agents30139.9034.9310trueskill2026-11-04T08:08:47.839150Zrankings
code320.7037.106trueskill2026-11-04T08:08:39.742311Zrankings
knowledge210.2011.581trueskill2026-11-04T08:08:45.139626Zrankings
math450.9035.551trueskill2026-11-04T08:08:42.442591Zrankings
reasoning42155.3045.129trueskill2026-11-04T08:08:41.093494Zrankings

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04