Mistral libera os pesos do Mistral Large 4, modelo de 1 trilhão de parâmetros

A Mistral liberou os pesos do Mistral Large 4 (apelidado de Le Chonk), modelo multimodal de 1 trilhão de parâmetros. Segundo a empresa, a versão tem mais três semanas de aprendizado por reforço sobre a prévia pública e lidera os modelos open-weight em coding e segurança defensiva. Os números vêm da própria Mistral: 19,7% no FrontierCode 2.0 da Cognition (benchmark privado), 41% no Terminal-Bench 4.0 (13 pontos acima da prévia, com 30% menos tokens de saída) e 48% no Artificial Analysis Coding Agent Index, empatado com o GLM-5.3, usando 47% menos tokens por tarefa.

Na frente de cibersegurança, o modelo marca 51% no Artificial Analysis Cyber Index, que mede descoberta, reprodução e correção de vulnerabilidades. A empresa diz ter taxa média de recusa de 96,6% em pedidos cibernéticos maliciosos, a maior que mede entre modelos abertos. Ela também admite que, no tráfego real, viu potencial de uso ofensivo e vai ajustar os guardrails nos próximos meses. Uma variante especializada em pentest e red-teaming fica restrita a parceiros corporativos como a Orange Cyberdefense, com vetting e salvaguardas contratuais. O modelo agora tem três modos de raciocínio para equilibrar custo e desempenho. Outros números citados: 73,3% no Finch, 84,5% no BrowseComp e 97,1% de resistência a ataques no B3 Agent Security Benchmark (93,3% na prévia).

Em 7 de outubro de 2026, o CEVIU noticiou, em "Mistral AI Lança Mistral Large 4: Um Modelo Multimodal Bilionário com Pesos Abertos", a prévia pública do modelo, com 1 trilhão de parâmetros e 49 bilhões ativos. Agora a Mistral entrega os pesos de uma versão melhorada, com ganho de 13 pontos no Terminal-Bench e resistência a ataques de agentes subindo de 93,3% para 97,1%. Em 29 de outubro de 2026, o CEVIU já havia publicado que o modelo chegou ao Hugging Face e que o AI Gateway da Vercel passou a rodar os pesos atualizados com preços menores.

Para quem opera agentes de código em escala, o dado central é a eficiência de tokens: empatar com o GLM-5.3 gastando 47% menos tokens tende a pesar na conta de inferência. Para times de segurança que precisam de self-hosting e residência de dados, ter pesos abertos é o ponto decisivo. Vale lembrar que quase todos os benchmarks são divulgados pela própria Mistral, então vale reproduzir nos seus workloads antes de migrar.