Qu'est-ce que Mistral Large 4 ? Prix officiel, contexte de 1M, benchmarks et tests réels : solide en cybersécurité et en documents, plutôt lent pour coder

Commençons par la conclusion :Mistral Large 4 est le modèle phare publié par Mistral le 6 octobre 2026 en préversion publique, avec le nom de modèle d'API mistral-large-4, au prix officiel de $1.36 par million de tokens en entrée, $0.14 en entrée en cache et $4.18 en sortie, avec un contexte de 1M.

Ses forces et ses faiblesses sont très marquées. Les données officielles comme celles de tiers montrent qu'il excelle encybersécurité, finance et compréhension de documents; en revanche, son indice d'intelligence composite chez Artificial Analysis n'atteint que 38,il réfléchit beaucoup et produit lentement, et les tests de code de plusieurs développeurs le placent aussi derrière Qwen3.8 Max, Kimi K3, DeepSeek V4.1 Flash et d'autres modèles.

Les chiffres de cet article sont arrêtés au 2026-10-22, d'après les pages officielles de Mistral : le billet de lancement, ladocumentation des modèles, lapage des tarifs, lejournal des modifications, ainsi que Artificial Analysis,OpenRouter et d'autres pages tierces. Les scores des classements évoluent : référez-vous à la page d'origine.

Qu'est-ce que Mistral Large 4 ?

Ce que dit Mistral officiellement :

• Publié le 6 octobre 2026 en préversion publique (Public Preview) sous le surnom Le Chonk, c'est le modèle le plus grand et le plus puissant de Mistral à ce jour
• La documentation indique qu'il s'agit d'unearchitecture à mélange d'experts (MoE), avec 1.05T de paramètres au total et 52B de paramètres activés, complétée par un encodeur visuel de 1.6B, avec prise en charge native des images en entrée
• Un seul modèle couvre le suivi d'instructions, le raisonnement et les tâches d'agent ; le paramètre reasoning_effort règle la profondeur de raisonnement
• Entraîné de zéro sur 3,800 NVIDIA Grace Blackwell dans les centres de données européens de Mistral, avec des données d'entraînement couvrant plus de 160 langues
• Axes mis en avant par l'éditeur : cybersécurité, agents de code, travail spécialisé (finance, droit) et grounding visuel
• Poids prévus pour fin octobre. Au 2026-10-22, la page Hugging Face de Mistral ne contient pas encore les poids de Large 4 ; pour l'instant, on ne peut l'utiliser que via l'API

Les chiffres de paramètres ne sont pas totalement cohérents : la documentation indique 1.05T au total / 52B activés, le billet de lancement parle de « 1 trillion / 52 billion active », et le post X officiel de Mistral de « 49B active ». Cet article suit la documentation.

Prix officiel

Page des tarifs de Mistral, facturation par million de tokens, en dollars US :

Quelques précisions :

• Le journal des modifications officiel indique50 % de réduction pendant les deux premières semaines(à partir du 6 octobre). Certaines pages d'agrégateurs affichent encore un tarif remisé de $0.68 / $2.09 ; référez-vous désormais à la page officielle des tarifs, soit $1.36 / $4.18
• L'entrée en cache coûte environ 1/10 du tarif normal, ce qui permet d'économiser pas mal pour les prompts système longs ou la relecture répétée des mêmes documents
• La page des tarifs propose aussi une facturation en euros ainsi que des niveaux Batch et Priority ; voir la page officielle pour le détail
• Par rapport aux autres modèles de la maison : Mistral Large 3 est à $0.5 / $1.5, Mistral Medium 3.5 à $1.5 / $7.5. Le prix de sortie de Large 4 est même inférieur à celui de Medium 3.5

Le tarif unitaire paraît modéré, mais le modèle« réfléchit » énormément, donc la dépense réelle dépend du volume de tokens en sortie, voir la section sur les tests plus bas.

Nos tarifs seront ajoutés ici une fois AI Code With disponible.

Contexte et capacités

Les chiffres de contexte divergent : la documentation Mistral et OpenRouter indiquent 1M, la page Artificial Analysis 524k, et Vercel, opencode et d'autres canaux affichent aussi 524,288. Si vous devez faire entrer plus de 500 000 tokens, vérifiez d'abord la longueur réellement prise en charge par le canal que vous utilisez.

Deux points sur le raisonnement, tirés de la documentation officielle de Mistral sur le sujet :

• reasoning_effort défini sur high , le champ message.content renvoyé est une liste de blocs (blocs de réflexion + blocs de texte), et non une chaîne simple ; votre code d'analyse doit gérer ce cas
• En conversation multi-tours, remettez le message assistant complet (blocs de réflexion compris) tel quel dans l'historique. La documentation officielle précise que supprimer les blocs de réflexion dégrade nettement la qualité de sortie

Tests et benchmarks

Données officielles

Tout ce qui suit est publié par Mistral lui-même, sans vérification par un tiers :

L'éditeur donne aussi deux comparaisons :

• Évaluation en aveugle de la qualité du code par Surge AI (notes de 1 à 5) : la préversion de Large 4 obtient 3.74, ce qui la place 2e sur 5 modèles, devant Kimi K3 (3.59), GLM-5.3 (3.60) et GLM-5.2 (3.40), et derrière Claude Opus 5 (4.22)
• En cybersécurité, l'Artificial Analysis Cyber Index le place dans le top 5 mondial. L'éditeur souligne que Claude Opus 5.5 et GPT-6 Astra obtiennent des scores proches de 0 sur des tests du type « reproduire la vulnérabilité puis la corriger », car ils refusent purement et simplement de l'exécuter

Données tierces

Artificial Analysis(mesure de la version Preview avec raisonnement) :

• Indice d'intelligence 38, contre une médiane de 27 pour la même gamme de prix. À titre de comparaison, sur le même indice, Claude Opus 5.5 obtient 57,6, GPT-6.1 Sol 51,8 et Gemini 4 Argon (High) 52,6
• Faire tourner l'ensemble de l'indice a consommé 200 millions de tokens de sortie, contre une médiane de 87 millions dans la même gamme de prix. AA le juge « très bavard »
• Vitesse de sortie de 70,9 tokens/s, inférieure à la médiane de 79,2 de la gamme de prix ; latence du premier token de 1,92 s
• Coût moyen de 1,13 $ par tâche
• Détail : raisonnement en contexte long 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(relayé par OpenRouter) :

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

OpenRouter: débit P50 d'environ 55 tokens/s pour le meilleur fournisseur.

Tests de développeurs

• sudo L7 de Surge AI(benchmark de code qui évalue le jugement d'un ingénieur senior) : 13,3 %, devant Muse Spark 1.3 (12,2 %) et Grok 4.7 (10,6 %)
• Test de recherche de bugs de Paweł Huryn: deux dépôts réels contenant 105 bugs injectés. Large 4 (niveau high, qui est aussi son niveau maximal) obtient 15 points en moyenne sur trois essais, contre 25,7 pour Qwen3.8 Max, 23 pour Kimi K3, 21,7 pour DeepSeek V4.1 Flash et 19 pour GLM-5.3
• Model Tested: lecture de documents à 99,7 points (sur 100), mieux que tous les modèles locaux qu'ils ont testés. En revanche, seulement 18 problèmes de code résolus sur 30,les 12 autres sont restés sans réponse, même après épuisement du budget de réflexion, et baisser le niveau de raisonnement n'a rien changé. Les 18 problèmes résolus le sont tous correctement
• TheGitAI: à l'issue du test, ils ont décidé de ne pas l'intégrer à leur agent de code maison, car son score est inférieur à ceux de GLM 5.3 Flash et de DeepSeek V4.1, et c'est le plus lent des modèles testés
• Silicon AI Software Factory(projet d'entreprise .NET/Vue) : 14e place en correction de bugs, 28e en implémentation de user stories

Plusieurs tests concordent :Bons résultats sur les tâches de documents, de finance et de sécurité ; en code, il fait moins bien que les modèles chinois de la même période, et il a tendance à réfléchir trop longtemps.

Points forts, points faibles et cas d'usage

Points forts :

• Utilisable en cybersécurité: reproduction de vulnérabilités, correctifs, analyse de malware. Beaucoup de modèles propriétaires refusent ce type de tâches, et les scores officiels comme le positionnement de Large 4 vont dans ce sens
• Solide sur les documents et la finance: la lecture de documents chez Model Tested frôle le maximum, et les scores finance de Vals sont corrects
• Prix unitaire bas: 4,18 $ en sortie, moins que Mistral Medium 3.5, et seulement 0,14 $ pour l'entrée en cache
• Contexte de 1M + entrée image, avec un score officiel de localisation visuelle légèrement supérieur à celui de GPT-6 Astra
• Déploiement en Europe, poids ouverts prévus: intéressant pour les équipes soumises à des exigences de souveraineté des données ou de déploiement privé

Points faibles :

• Réfléchit trop: le volume de tokens de sortie mesuré par AA représente plus du double de la médiane de la gamme de prix. Un prix unitaire bas ne garantit pas un coût total bas. Sous le post officiel de Mistral, un utilisateur a comparé : pour une même tâche de code de prévision de chiffre d'affaires, Large 4 a coûté environ 14 $, contre environ 1 $ pour GPT-6.1 Sol
• Plutôt lent: la vitesse de sortie mesurée par AA et par OpenRouter se situe entre 55 et 71 tokens/s
• Les agents de code ne sont pas son point fort: plusieurs tests le placent derrière Qwen3.8 Max, Kimi K3, DeepSeek V4.1 Flash et GLM-5.3
• Toujours en préversion: selon l'éditeur, le modèle est encore en cours d'entraînement, donc les scores comme le comportement peuvent évoluer. La longueur de contexte affichée varie selon les fournisseurs

Cas d'usage adaptés :

• Équipes de sécurité : recherche de vulnérabilités, audit de sécurité du code, rédaction de règles de détection
• Finance, droit, contrats, rapports : lecture et extraction sur de longs documents
• Entreprises ayant des exigences sur la localisation des données ou qui souhaitent déployer en privé par la suite
• À éviter : les scénarios en ligne sensibles à la vitesse, ou l'usage comme modèle de code principal pour Claude Code / Codex

Comment l'intégrer

AI Code With n'a pas encore ajouté Mistral Large 4 à son catalogue. Nous compléterons cette section avec notre identifiant de modèle et la méthode de configuration dès sa mise en ligne.

Vous pouvez dès maintenant utiliser directement l'API officielle de Mistral (créez une clé dans Mistral Studio). Exemple 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 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)

Sur OpenRouter, le nom du modèle est mistralai/mistral-large-4-0, via l'interface compatible OpenAI.

Quelques conseils d'utilisation :

• Pour les tâches simples, essayez d'abord avec reasoning_effort défini sur none. Vous économiserez des tokens et irez nettement plus vite ; pour les problèmes difficiles, activez ensuite high
• Prévoyez assez d'espace pour max_tokens , et définissez un délai d'expiration pour les requêtes, afin d'éviter de ne rien recevoir après une longue réflexion
• En conversation multitour, remettez le message assistant complet dans l'historique, pas seulement le texte
• Avant un usage en production, comparez le coût et la durée avec GLM-5.3 et DeepSeek V4.1 Flash sur vos propres tâches

Pour la configuration générale d'une API tierce, consultez «Comment connecter Claude Code à une API tierce» et «Guide de configuration de Codex config.toml».

Questions fréquentes

Mistral Large 4 est-il open source ?

L'éditeur le positionne comme un modèle à poids ouverts, avec une publication des poids prévue fin octobre. Au 2026-10-22, ils ne sont pas encore publiés : pour l'instant, seule l'API est utilisable.

Combien coûte Mistral Large 4 ?

Tarif officiel par million de tokens : 1,36 $ en entrée, 0,14 $ en entrée en cache et 4,18 $ en sortie. La remise de 50 % des deux premières semaines est terminée.

Mistral Large 4 convient-il pour écrire du code ?

Il peut servir, mais ce n'est pas son point fort. Son score officiel sur DeepSWE v1.1 est de 61,7 %, et dans les tests tiers il est en général derrière Qwen3.8 Max, Kimi K3 et DeepSeek V4.1 Flash, avec une tendance à réfléchir trop longtemps. Pour un usage principal en code, mieux vaut privilégier d'autres modèles.

Qu'est-ce que Le Chonk ?

C'est le surnom de Mistral Large 4, que le blog officiel de Mistral emploie lui-même.

Sources (vérifiées le 2026-10-22)

• Mistral : Introducing Mistral Large 4
• Mistral Docs : page du modèle Mistral Large 4
• Mistral Docs : tarifs de l'API
• Mistral Docs : journal des modifications (entrée du 6 octobre)
• Mistral Docs : Reasoning
• Post officiel de Mistral sur X
• Artificial Analysis : Mistral Large 4 Preview
• OpenRouter : Mistral Large 4 (avec données AA, Vals AI et Design Arena)
• X @HelloSurgeAI : classement sudo L7
• X @PawelHuryn : test sur 105 bugs réels
• Model Tested : We tested Mistral Large 4
• X @thegitai : évaluation de l'intégration à un agent de code
• X @rogerhendriks : classement de la Silicon AI Software Factory
• X @victor_zhng : comparaison des coûts avec GPT-6.1 Sol