Le plus grand modèle à poids ouverts de Mistral à ce jour : un MoE multimodal natif d'environ 1T de paramètres totaux, avec environ 52B activés par token (49B hors couches d'incrustation), acceptant en entrée du texte et des images et produisant du texte en sortie, avec une fenêtre de contexte de 100 mille tokens ; les tâches d'instruction, de raisonnement, de programmation et d'agent sont regroupées dans un seul jeu de poids, avec trois niveaux d'intensité de raisonnement (low / medium / high) commutables par requête.
Score de montée 300 · J'aime 1221 · Téléchargements 278
Raisons
- Selon les sources officielles, l'indice d'agent de programmation d'Artificial Analysis est de 48%, ce qui est globalement équivalent au leader open source GLM-5.3, mais utilise en moyenne 47% de tokens en moins par tâche ; l'indice d'intelligence v5 d'Artificial Analysis atteint 26, le score le plus élevé pour un modèle open source occidental, bien que les sources officielles reconnaissent que les modèles open source chinois leaders obtiennent un score total supérieur.
- Sur 128 experts de routage, 4 sont activés par token, en plus de 1 experts partagés ; le modèle a été entraîné de zéro sur 3,800 GPU Grace Blackwell ; les sources officielles affirment des performances remarquables en cybersécurité, finance, droit et localisation visuelle, avec prise en charge de l'appel de fonction natif et de la sortie JSON Schema stricte, couvrant plus de 160 langues.
- Dès la sortie, des images vLLM, SGLang, Transformers et llama.cpp GGUF sont disponibles, ainsi que des guides de fine-tuning avec Axolotl, Unsloth et TRL, et une version NVFP4 destinée à Blackwell ; publié le 29 10 via le blog de Hugging Face, il n'avait pas été inclus dans les numéros précédents. Le score de montée 300 ne reflète que le niveau d'attention.
Utilisation
- vLLM (recommandé officiellement) : docker pull vllm/vllm-openai:mistral-large-4, lancez avec --tensor-parallel-size 8 --tool-call-parser mistral --reasoning-parser mistral --enable-auto-tool-choice ; ajoutez --speculative-config '{"method": "dspark", "num_speculative_tokens": 3}' pour activer le décodage prédictif DSpark intégré, dont le débit est annoncé comme augmentant jusqu'à 1.9 fois par les sources officielles.
- SGLang : image lmsysorg/sglang:mistral-large-4, sglang serve --tp-size 8 --speculative-algorithm DSPARK ; l'échantillonnage utilise uniformément temperature 1.0, top_p 0.95, avec reasoning_effort="high" (par défaut) pour les tâches complexes et d'agent, medium pour les tâches quotidiennes, et low pour les réponses rapides.
- Il est également possible d'appeler directement l'API Mistral avec mistral-large-4, ou de connecter un vLLM local dans l'agent de programmation officiel Mistral Vibe.
Risques
- Les exemples officiels prévoient un déploiement avec parallélisme tensoriel sur 8 cartes, ce qui est impossible sur un équipement personnel ; la version NVFP4 est exclusivement destinée aux cartes graphiques Blackwell.
- La licence est la Mistral Ecosystem Open-Weight License (une version modifiée de la MIT) : l'usage commercial est autorisé, mais une licence commerciale distincte est requise pour les activités de modèle en tant que service (MaaS).
- La fiche du modèle ne fournit que deux indices composites ; les autres comparaisons figurent dans les images et le blog, et correspondent aux résultats des classements cités par les sources officielles.