Mistral presenta la vista previa de Mistral Large 4, apostando por una escala de un billón de parámetros y capacidades de ciberseguridad
Mistral ha lanzado una versión preliminar de Mistral Large 4, un modelo de 1 billón de parámetros entrenado en Europa y optimizado para la defensa ante vulnerabilidades de software y flujos de trabajo empresariales.
La startup europea de IA Mistral ha publicado una vista previa pública de Mistral Large 4 (ML4), su sistema de inteligencia artificial más grande hasta la fecha. Apodado "le Chonk", este modelo nativamente multimodal cuenta con un billón de parámetros y actualmente está accesible mediante API en Mistral Studio, con el lanzamiento de sus pesos abiertos programado para finales de octubre.
Mistral afirma que ML4 es el modelo de pesos abiertos más capaz desarrollado tanto en Europa como en Estados Unidos según benchmarks agregados, destacando sólidos resultados en la corrección de vulnerabilidades de software, manufactura, finanzas y anclaje visual (visual grounding).
La ciberseguridad como factor diferenciador clave
Mistral está posicionando fuertemente a ML4 en torno a la seguridad informática empresarial y la ciberdefensa. En el Artificial Analysis Cyber Index, ML4 se ubica entre los cinco mejores modelos a nivel mundial y lidera por un margen significativo frente a los modelos de pesos abiertos no chinos.
En una prueba de rendimiento que evalúa la capacidad de un modelo para reproducir y posteriormente corregir vulnerabilidades reales en software de código abierto, ML4 obtuvo un 82 %, la puntuación más alta entre todos los modelos evaluados. Mistral señaló que modelos propietarios líderes como Claude Opus 5.5 y GPT-6 Astra obtuvieron una puntuación cercana a cero en esta prueba, principalmente debido a que sus filtros de seguridad se negaron a procesar las instrucciones.
Mistral argumentó que defender el software requiere verificar las vulnerabilidades de primera mano, advirtiendo que los filtros de seguridad restrictivos impiden las labores legítimas de seguridad, mientras que los actores maliciosos pueden eludir esas salvaguardas mediante jailbreaks. ML4 está diseñado para implementarse en nubes privadas o en entornos locales (on-premises), eliminando riesgos operativos durante la respuesta a incidentes.
Al mismo tiempo, Mistral destacó que ML4 mantuvo la tasa de rechazo más alta entre los modelos abiertos ante instrucciones cibernéticas abiertamente maliciosas en JailbreakBench, StrongREJECT y AgentHarm. El modelo también bloqueó el 93,3 % de los ataques en el B3 AI Security Benchmark de Lakera.
Rendimiento en benchmarks de código, visión y razonamiento general
En el Artificial Analysis Intelligence Index —que combina diez evaluaciones de referencia en diversas áreas—, ML4 obtuvo 38 puntos. Esto representa una mejora sustancial respecto a Mistral Large 3 (9 puntos) y Mistral Medium 3.5 (14 puntos), así como frente a GLM-5.2 de Z.ai. No obstante, ML4 todavía se sitúa por detrás de los modelos propietarios de primer nivel, con Claude Opus 5.5 (Max) a la cabeza del índice con 58 puntos.
En pruebas de desarrollo de software, ML4 registró un 49,8 % en el Artificial Analysis Coding Agent Index, superando a Deepseek V4 Pro y Qwen3.8 Max. En una evaluación a ciegas de calidad de código realizada por Surge AI, evaluadores humanos ubicaron a ML4 en segundo lugar entre cinco modelos con una puntuación de 3,74 sobre 5, situándose por detrás de Claude Opus 5 (4,22), pero por encima de GLM-5.3 y Kimi K3.
En cuanto al procesamiento visual, ML4 obtuvo un 42 % en el benchmark Dense 200, superando por estrecho margen el 41 % de GPT-6 Astra. Mistral afirma que el modelo puede analizar documentos, gráficos, archivos CAD e imágenes satelitales de gigapíxeles. En flujos de trabajo empresariales, evaluaciones realizadas por Vals.ai indicaron que ML4 superó a GPT-6 Astra en los sectores legal y financiero.
Arquitectura e infraestructura soberana
De acuerdo con la documentación técnica de Mistral, ML4 utiliza una arquitectura de mezcla de expertos (MoE) de grano fino con un total de 1,05 billones de parámetros, de los cuales 49.000 millones están activos por token. Integra un codificador de visión de 1.600 millones de parámetros y ofrece una ventana de contexto de un millón de tokens.
El modelo fue entrenado desde cero en los centros de datos europeos de Mistral con 3.800 GPU Nvidia Grace Blackwell, utilizando corpus de entrenamiento que abarcan más de 160 idiomas. La fase continua de postentrenamiento mediante aprendizaje por refuerzo (RL) emplea aproximadamente 3.000 GPU y genera cerca de 33.000 millones de tokens al día. Mistral señaló que esta etapa de entrenamiento por RL aún no ha alcanzado una meseta y aportará mejoras adicionales antes del lanzamiento definitivo de los pesos.
Este masivo despliegue computacional se da tras la reciente ronda de financiación Serie D de Mistral por 3.000 millones de euros, junto con un préstamo de 830 millones de dólares obtenido en marzo para un centro de datos cerca de París, orientado a alcanzar 200 megavatios de capacidad computacional europea para finales de 2027. El CEO de Mistral, Arthur Mensch, advirtió con anterioridad a los funcionarios europeos sobre el riesgo de depender por completo de modelos de IA radicados en EE. UU. para auditorías de código críticas en materia de defensa y aplicaciones militares.
Durante el período de vista previa en Mistral Studio, el uso de la API tiene un costo de 0,68 dólares por millón de tokens de entrada, 2,09 dólares por millón de tokens de salida y 0,07 dólares por millón de tokens de entrada en caché. La documentación también especifica una tarifa estándar que duplica dichos precios (1,36 dólares de entrada, 4,18 dólares de salida y 0,14 dólares para entradas en caché). Los informes técnicos completos, las condiciones de licenciamiento y los pesos del modelo se publicarán a finales de octubre.
