Titre original : mistralai/Mistral-Large-4-1T-A52B
Le plus grand modèle de Mistral AI à ce jour (surnommé Le Chonk), annoncé par le blog officiel le 29 10 comme étant publié avec des poids ouverts : MoE multimodal natif, environ 1 mille milliards de paramètres au total, 490 milliards de paramètres activés par token (520 milliards en incluant les couches d'embedding et de sortie), 4 experts routés activés sur les 128 disponibles, contexte de 100 mille tokens, acceptant texte et images en entrée. Les instructions, le raisonnement, la programmation et les agents partagent un même jeu de poids ; l'intensité du raisonnement se règle par requête sur trois niveaux (low / medium / high) ; prise en charge des appels de fonction et de la sortie JSON Schema stricte. Selon les chiffres officiels, il obtient 48% à l'indice Artificial Analysis pour les agents de programmation, ce qui est comparable à GLM-5.3, avec 47% de tokens en moins par tâche en moyenne ; il atteint 26 points à l'indice d'intelligence v5, le score le plus élevé parmi les modèles à poids ouverts occidentaux, mais inférieur aux meilleurs modèles open source chinois. Le checkpoint intègre une tête de brouillon pour le décodage spéculatif DSpark, offrant selon l'éditeur un débit jusqu'à 1.9 fois supérieur.
Pourquoi c'est important Modèle à poids ouverts occidental de mille milliards de paramètres, rare ; selon l'éditeur, ses performances sur les tâches d'agents de programmation sont comparables à celles des modèles open source leaders, avec une consommation de tokens inférieure
Score de montée 78 · J'aime 1646 · Téléchargements 12541
Raisons
- Modèle généraliste à mille milliards de paramètres, rare parmi les modèles à poids ouverts, couvrant la vision, le raisonnement, les agents de programmation et les appels d'outils avec un seul jeu de poids
- Selon l'éditeur, il excelle dans les tâches de cybersécurité, de finance et de droit, ainsi qu'en localisation visuelle, et prend en charge plus de 160 langues
- Prise en charge immédiate par vLLM, SGLang, transformers et llama.cpp ; ajustable via Axolotl, Unsloth et TRL ; version quantifiée NVFP4 disponible pour les GPU Blackwell
Utilisation
- vLLM : utiliser l'image officielle vllm/vllm-openai:mistral-large-4, avec une parallélisation tensorielle sur 8 cartes, en ajoutant --tool-call-parser mistral --reasoning-parser mistral ; ajouter --speculative-config pour activer le décodage spéculatif DSpark
- Paramètres recommandés par l'éditeur : temperature 1.0, top_p 0.95 ; utiliser reasoning_effort=high pour les tâches complexes et les agents, medium pour l'usage quotidien, et low pour les conversations rapides
- Sans auto-hébergement, appeler le modèle mistral-large-4 via l'API Mistral, ou l'utiliser avec l'assistant de programmation open source officiel Mistral Vibe
Risques
- Licence Mistral Ecosystem Open-Weight License (version modifiée de la MIT), utilisable commercialement, mais un contrat de licence commercial distinct est requis pour proposer le modèle en tant que service
- Le déploiement d'exemple nécessite un nœud de 8 cartes ; impossible à exécuter sur un équipement personnel
- Les résultats proviennent des indices Artificial Analysis cités par l'éditeur et du blog officiel
- Cette entrée n'a pas été testée ; les performances réelles sont à vérifier sur la fiche du modèle