¿Qué es Mistral Large 4? Precio oficial, 1M de contexto, benchmarks y pruebas reales: fuerte en ciberseguridad y documentos, lento para programar

Primero, la conclusión:Mistral Large 4 es el modelo insignia que Mistral lanzó el 6 de octubre de 2026 en vista previa pública. El nombre del modelo en la API es mistral-large-4, con un precio oficial por millón de tokens de $1.36 de entrada, $0.14 de entrada en caché y $4.18 de salida, y 1M de contexto.

Sus puntos fuertes y débiles están muy marcados. Los datos oficiales y de terceros muestran que es muy fuerte enciberseguridad, finanzas y comprensión de documentos, pero su índice de inteligencia general en Artificial Analysis es de solo 38,piensa demasiado y su salida es lenta, y en las pruebas de programación de varios desarrolladores también va por detrás de modelos como Qwen3.8 Max, Kimi K3 y DeepSeek V4.1 Flash.

Las cifras de este artículo están al 2026-10-22, según lo publicado oficialmente por Mistral en el blog de lanzamiento,la documentación del modelo,la página de preciosyel registro de cambios, así como de Artificial Analysis,OpenRouter y otras páginas de terceros. Las puntuaciones de los rankings cambian, así que consulta siempre la página original.

¿Qué es Mistral Large 4?

Según Mistral:

• Lanzado el 6 de octubre de 2026 en Public Preview (vista previa pública) , apodado Le Chonk, es el modelo más grande y potente de Mistral hasta la fecha
• La documentación indica que es unaarquitectura de mezcla de expertos (MoE), con 1.05T de parámetros totales y 52B de parámetros activos, además de un codificador de visión de 1.6B, con soporte nativo para entrada de imágenes
• Un solo modelo cubre seguimiento de instrucciones, razonamiento y tareas de agente; para controlar la profundidad del razonamiento se usa el parámetro reasoning_effort .
• Entrenado desde cero en 3,800 NVIDIA Grace Blackwell de los centros de datos propios de Mistral en Europa, con datos de entrenamiento en más de 160 idiomas
• Áreas que Mistral destaca oficialmente: ciberseguridad, agentes de programación, trabajo profesional en finanzas y derecho, y localización visual
• Los pesos se abrirán a finales de octubre. Al 2026-10-22, la página de Mistral en Hugging Face aún no tiene los pesos de Large 4, así que por ahora solo se puede usar por API

Las cifras de parámetros no coinciden del todo: la documentación indica 1.05T totales / 52B activos, el blog de lanzamiento dice «1 trillion / 52 billion active» y la publicación oficial de Mistral en X dice «49B active». Este artículo sigue la documentación.

Precio oficial

Página de precios de Mistral, por millón de tokens, en dólares:

Algunas aclaraciones:

• El registro de cambios oficial indica50 % de descuento durante las dos primeras semanas(desde el 6 de octubre). Algunas páginas de plataformas agregadoras aún muestran el precio con descuento de $0.68 / $2.09; ahora vale el precio de la página oficial, $1.36 / $4.18
• La entrada en caché cuesta aproximadamente 1/10 del precio normal, lo que ahorra bastante con prompts de sistema largos o cuando se lee repetidamente el mismo conjunto de documentos
• La página de precios también ofrece tarifas en euros y niveles Batch y Priority; consulta la página oficial para los detalles
• Frente a sus otros modelos: Mistral Large 3 cuesta $0.5 / $1.5 y Mistral Medium 3.5, $1.5 / $7.5. El precio de salida de Large 4 es incluso menor que el de Medium 3.5

El precio unitario no parece alto, pero«piensa» mucho, así que el gasto real depende de los tokens de salida; lo verás en la sección de pruebas más abajo.

Cuando esté disponible en AI Code With, añadiremos aquí nuestro precio.

Contexto y capacidades

Las cifras de contexto no coinciden del todo: la documentación de Mistral y OpenRouter indican 1M, la página de Artificial Analysis dice 524k, y canales como Vercel y opencode también indican 524,288. Si necesitas meter más de 500 mil tokens, primero confirma cuánto soporta realmente el canal que usas.

Dos puntos sobre el razonamiento, según la documentación oficial de razonamiento de Mistral:

• reasoning_effort configurado como high , el message.content devuelto es una lista de bloques (bloques de razonamiento + bloques de texto), no una cadena normal, así que tu código de parseo debe admitir ese formato
• En las conversaciones de varios turnos, devuelve al historial el mensaje completo del assistant tal cual, incluidos los bloques de razonamiento. La documentación oficial dice explícitamente que eliminar los bloques de razonamiento reduce de forma notable la calidad de la salida

Evaluaciones y benchmarks

Datos oficiales

Todo lo siguiente lo ha publicado la propia Mistraly no ha sido verificado por terceros:

La compañía también aporta dos comparativas:

• En la evaluación ciega de calidad de código de Surge AI (puntuación de 1 a 5), la versión preliminar de Large 4 obtiene 3.74 puntos y queda en segundo lugar entre 5 modelos; supera a Kimi K3 (3.59), GLM-5.3 (3.60) y GLM-5.2 (3.40), y queda por debajo de Claude Opus 5 (4.22)
• En ciberseguridad, entra en el top cinco mundial del Cyber Index de Artificial Analysis. La compañía destaca que Claude Opus 5.5 y GPT-6 Astra puntúan casi 0 en pruebas del tipo «reproducir la vulnerabilidad y luego parchearla», porque se niegan directamente a ejecutarlas

Datos de terceros

Artificial Analysis(mide la versión Preview con razonamiento):

• Índice de inteligencia 38, frente a una mediana de 27 en su rango de precio. Como referencia, en el mismo índice Claude Opus 5.5 obtiene 57,6, GPT-6.1 Sol 51,8 y Gemini 4 Argon (High) 52,6
• Completar todo el índice consumió 200 millones de tokens de salida, frente a una mediana de 87 millones en su rango de precio. AA lo describe como «muy verboso»
• Velocidad de salida de 70,9 tokens/s, por debajo de la mediana de 79,2 de su rango de precio; latencia del primer token de 1,92 s
• Coste medio por tarea: $1.13
• Desglose: razonamiento de contexto largo AA-LCR 81,3 %, Humanity's Last Exam 35,0 %, GDPval-AA 46,1 %, SciCode 54,2 %, Terminal-Bench 4.0 26,8 %

Vals AI(reproducido por OpenRouter):

• Vals Index 48,7 %, Vals Finance Index 56,9 %, Finance Agent v2.1 61,4 %
• Programación: Terminal-Bench 4.0 27,8 %, SWE-bench Multimodal 33,1 %, Vibe Code Bench v1.1 78,4 %

OpenRouter: el rendimiento P50 del mejor proveedor ronda los 55 tokens/s.

Pruebas de desarrolladores

• sudo L7 de Surge AI(un benchmark de programación que mide el criterio de un ingeniero sénior): 13,3 %, por encima de Muse Spark 1.3 (12,2 %) y Grok 4.7 (10,6 %)
• La prueba de búsqueda de bugs de Paweł Huryn: se ocultaron 105 bugs en dos repositorios reales. Large 4 (nivel high, que además es su máximo) obtuvo 15 puntos de media en tres ejecuciones, frente a 25,7 de Qwen3.8 Max, 23 de Kimi K3, 21,7 de DeepSeek V4.1 Flash y 19 de GLM-5.3
• Model Tested: 99,7 puntos en lectura de documentos (sobre 100), más que cualquier modelo local que han probado; pero solo resolvió 18 de 30 problemas de programación,y en los otros 12 agotó el presupuesto de razonamiento sin dar respuesta, sin mejorar tampoco al bajar el nivel de razonamiento. Las 18 que resolvió son todas correctas
• TheGitAI: tras las pruebas decidió no integrarlo en su propio agente de programación, porque su puntuación es inferior a la de GLM 5.3 Flash y DeepSeek V4.1, y además es el más lento de los modelos que probó
• Silicon AI Software Factory(proyectos empresariales .NET/Vue): puesto 14 en corrección de bugs y puesto 28 en implementación de historias de usuario

Las conclusiones de estas pruebas coinciden:rinde bien en tareas de documentos, finanzas y seguridad, programa peor que los modelos chinos de su misma época y tiende a pensar demasiado.

Ventajas, desventajas y casos de uso

Ventajas:

• Sirve para trabajo de ciberseguridad: reproducción de vulnerabilidades, parches y análisis de malware son tareas que muchos modelos cerrados rechazan; las puntuaciones oficiales y el posicionamiento de Large 4 apuntan en esta dirección
• Fuerte en documentos y finanzas: en lectura de documentos de Model Tested se acerca a la nota máxima, y las puntuaciones financieras de Vals también son buenas
• Precio unitario bajo: $4.18 de salida, menos que Mistral Medium 3.5, y solo $0.14 por la entrada en caché
• Contexto de 1M + entrada de imágenes, con datos oficiales de localización visual ligeramente superiores a los de GPT-6 Astra
• Despliegue en Europa y pesos abiertos previstos: resulta atractivo para equipos con requisitos de soberanía de datos o de despliegue privado

Desventajas:

• Piensa demasiado: la cantidad de tokens de salida que mide AA es más del doble de la mediana de su rango de precio, y un precio unitario bajo no significa un coste total bajo. Un usuario comparó en el post oficial de Mistral una misma tarea de programación de previsión de ingresos: Large 4 costó unos $14 y GPT-6.1 Sol unos $1
• Lento: la velocidad de salida medida tanto por AA como por OpenRouter está entre 55 y 71 tokens/s
• Los agentes de programación no son su fuerte: en varias pruebas queda por detrás de Qwen3.8 Max, Kimi K3, DeepSeek V4.1 Flash y GLM-5.3
• Sigue siendo una versión preliminar: según el comunicado oficial, el modelo sigue entrenándose, así que tanto las puntuaciones como el comportamiento pueden cambiar; además, la longitud de contexto indicada varía según el proveedor

Casos de uso:

• Equipos de seguridad que investigan vulnerabilidades, auditan la seguridad del código o escriben reglas de detección
• Lectura y extracción de documentos largos como los financieros, legales, contratos e informes
• Empresas con requisitos de ubicación de datos que quieran desplegarlo de forma privada más adelante
• No recomendado para: escenarios en línea sensibles a la velocidad, ni como modelo principal de programación en Claude Code / Codex

Cómo integrarlo

AI Code With todavía no ofrece Mistral Large 4; cuando lo incorpore, añadiremos aquí nuestro id de modelo y el método de configuración.

Por ahora puedes usar directamente la API oficial de Mistral (crea la clave en Mistral Studio). Ejemplo de Chat Completions:

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [{"role": "user", "content": "你的问题"}],
    "reasoning_effort": "high"
  }'

SDK de Python:

import os
from mistralai import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
resp = client.chat.complete(
    model="mistral-large-4",
    messages=[{"role": "user", "content": "你的问题"}],
    reasoning_effort="high",
)
print(resp.choices[0].message.content)

El nombre del modelo en OpenRouter es mistralai/mistral-large-4-0, y se usa con la interfaz compatible con OpenAI.

Algunas recomendaciones de uso:

• En tareas sencillas, prueba primero con reasoning_effort establecido en none, que ahorra tokens y es bastante más rápido; activa high
• solo para problemas difíciles. Deja suficiente margen en max_tokens y configura un timeout de la petición, para evitar que, tras pensar durante mucho tiempo, no devuelva nada
• En conversaciones de varios turnos, devuelve al historial el mensaje completo del assistant, no solo el texto principal
• Antes de usarlo en producción, compara el coste y el tiempo con GLM-5.3 y DeepSeek V4.1 Flash usando tus propias tareas

Para la configuración general de APIs de terceros, consulta «Cómo conectar Claude Code a una API de terceros» y «Guía de configuración de config.toml en Codex».

Preguntas frecuentes

¿Mistral Large 4 es de código abierto?

Oficialmente se presenta como un modelo de pesos abiertos, y está previsto liberar los pesos a finales de octubre. A 2026-10-22 todavía no se han publicado, así que por ahora solo se puede usar mediante la API.

¿Cuánto cuesta Mistral Large 4?

El precio oficial por millón de tokens es $1.36 de entrada, $0.14 de entrada en caché y $4.18 de salida. El 50 % de descuento de las dos primeras semanas lanzamiento ya terminó.

¿Mistral Large 4 es bueno para programar?

Se puede usar, pero no es su mejor terreno. En DeepSWE v1.1 oficial obtiene 61,7 %, en las pruebas de terceros suele quedar por detrás de Qwen3.8 Max, Kimi K3 y DeepSeek V4.1 Flash, y además tiende a pensar demasiado. Para programar como modelo principal, te recomiendo considerar antes otros modelos.

¿Qué es Le Chonk?

Es el apodo de Mistral Large 4; así lo llama el propio blog oficial de Mistral.

Fuentes (verificadas el 2026-10-22)

• Mistral: Introducing Mistral Large 4
• Mistral Docs: página del modelo Mistral Large 4
• Mistral Docs: precios de la API
• Mistral Docs: registro de cambios (entrada del 6 de octubre)
• Mistral Docs: Reasoning
• Publicación oficial de Mistral en X
• Artificial Analysis: Mistral Large 4 Preview
• OpenRouter: Mistral Large 4 (incluye datos de AA, Vals AI y Design Arena)
• X @HelloSurgeAI: ranking de sudo L7
• X @PawelHuryn: prueba con 105 bugs reales
• Model Tested: We tested Mistral Large 4
• X @thegitai: evaluación de integración en agentes de programación
• X @rogerhendriks: clasificación de Silicon AI Software Factory
• X @victor_zhng: comparación de costes con GPT-6.1 Sol