Mistral dévoile Large 4 « Le Chonk » pour l’IA à poids ouverts.

Les équipes qui envisagent d’utiliser un modèle d’IA à poids ouverts doivent connaître deux choses avant de prendre une décision : ce que le modèle peut faire et si ses poids sont réellement disponibles. Mistral Large 4, surnommé « le Chonk », a été lancé en préversion publique le 6 octobre 2026, avec des promesses ambitieuses en matière de performances, mais Mistral a indiqué que ses poids seraient disponibles d’ici la fin du mois d’octobre.

Cette distinction est essentielle pour interpréter l’annonce. Mistral Large 4 est déjà accessible via Mistral Studio et son API, tandis que son intérêt à long terme dépend en partie de la publication promise des poids, des conditions qui l’accompagneront et des performances du modèle dans des flux de travail réels. Voici ce que Mistral a annoncé, ce que ses résultats aux benchmarks permettent, ou non, d’établir, et ce que les futurs utilisateurs devraient vérifier ensuite.

Qu’est-ce que Mistral Large 4, « le Chonk », et ses poids sont-ils déjà disponibles ?

Mistral a présenté Large 4 en préversion publique et l’a décrit comme un modèle à poids ouverts, dont la publication des poids est prévue d’ici la fin du mois d’octobre 2026. Cette préversion permet aux développeurs de tester le modèle via les services hébergés de Mistral avant cette publication. Cela ne signifie pas, à lui seul, qu’une organisation peut déjà télécharger les poids et exécuter le modèle sur sa propre infrastructure.

« Modèle MoE à poids ouverts, hybride, combinant suivi des instructions et raisonnement »

C’est ainsi que Mistral décrit Large 4. L’entreprise affirme que le modèle réunit le suivi des instructions, le raisonnement et les capacités agentiques, plutôt que de les proposer sous forme de produits distincts. Son positionnement va au-delà du chatbot : Mistral le destine à des tâches pouvant nécessiter de l’analyse, des flux de travail faisant appel à des outils et des opérations multimodales.

Réponse directe : selon Mistral, Mistral Large 4 est un modèle multimodal natif à mélange d’experts, doté d’un billion de paramètres au total et de 52 milliards de paramètres actifs. Il a été lancé en préversion publique le 6 octobre 2026 via Mistral Studio et l’API ; Mistral a indiqué que ses poids seraient publiés avant la fin du mois.

Le calendrier compte pour les équipes chargées des achats et de l’ingénierie. Une équipe qui souhaite évaluer le comportement du modèle dans une application peut commencer avec la préversion. Une équipe qui doit absolument pouvoir l’héberger elle-même, examiner la version qui sera publiée ou contrôler son propre déploiement se trouve face à une autre échéance : elle doit disposer des poids proprement dits et des informations qui accompagneront leur publication.

« À poids ouverts » répond également à une question plus restreinte que « open source ». L’accès aux poids du modèle ne précise pas, à lui seul, les conditions de licence, l’accès aux données d’entraînement ni les autorisations applicables à chaque cas d’usage. Ces éléments ne figurent pas dans les informations fournies sur l’annonce ; les organisations devraient donc éviter de considérer la publication prévue des poids comme une réponse complète aux questions de déploiement ou de gouvernance.

La manière la plus juste d’interpréter ce lancement n’est donc ni de le minimiser ni de l’accepter sans réserve. Large 4 peut déjà être testé en préversion et Mistral a pris un engagement précis quant à la date prévue de publication des poids. Ce sont des avancées significatives, mais elles correspondent à des étapes différentes.

Comment l’architecture MoE à un billion de paramètres change la question de l’échelle

Mistral indique que Large 4 compte un billion de paramètres au total et 52 milliards de paramètres actifs. Cette distinction est au cœur de son architecture à mélange d’experts, ou MoE : le nombre total de paramètres décrit l’échelle globale du modèle, tandis que le nombre de paramètres actifs désigne la partie que Mistral affirme utiliser pour un calcul donné. Ne mentionner que le nombre d’un billion de paramètres masquerait cette différence.

Pour les lecteurs qui comparent les annonces de modèles, aucun de ces chiffres ne permet à lui seul de prédire la qualité du modèle dans une application. L’échelle totale ne dit pas à un développeur si les réponses seront exactes sur des documents internes, si un agent saura se remettre d’une étape qui a échoué ni comment le modèle se comportera avec une configuration de service donnée. Le nombre de paramètres actifs est une information utile, mais ne remplace pas les mesures de latence, de mémoire, de débit et de coût réalisées dans un déploiement réel.

Un modèle, plusieurs types de tâches

Mistral qualifie Large 4 de modèle multimodal natif et affirme qu’il réunit des capacités de suivi des instructions, de raisonnement et d’action agentique. En pratique, ces termes désignent différentes exigences auxquelles les utilisateurs peuvent soumettre un système : suivre des consignes explicites, résoudre des questions difficiles et participer à des flux de travail en plusieurs étapes. Les benchmarks de l’annonce couvrent certains aspects de cet ensemble, mais aucun score ne démontre à lui seul que toutes ces capacités seront également performantes dans tous les contextes.

Le caractère « multimodal natif » est également important, notamment pour les équipes qui traitent autre chose que du texte brut. Les informations fournies sur le lancement ne répertorient pas tous les formats d’entrée ou de sortie pris en charge, leurs limites ni leur tarification. Une équipe qui évalue un flux de travail spécifique portant sur des documents, des images ou d’autres contenus multimodaux devrait vérifier les fonctionnalités de l’API concernées plutôt que de les déduire de cette description générale.

• Pour les équipes produit : testez des requêtes représentatives couvrant le suivi des instructions, le raisonnement et toutes les étapes faisant appel à des outils que votre application utilise réellement.
• Pour les équipes d’infrastructure : distinguez les paramètres du modèle des exigences liées à l’infrastructure de service que vous prévoyez d’exploiter.
• Pour les acheteurs : demandez-vous si un seul modèle peut remplacer plusieurs composants de votre flux de travail sans accroître le taux d’erreur ni compliquer la supervision.

La conception de Large 4 est particulièrement intéressante lorsque ces exigences se recoupent. S’il gère suffisamment bien le raisonnement, la compréhension visuelle et l’exécution de flux de travail dans une même application, le regroupement de ces capacités pourrait être avantageux. Si une organisation n’a besoin que d’une fonction très ciblée, un modèle plus petit ou plus spécialisé restera peut-être le choix le plus pratique. L’annonce témoigne de l’ambition de Mistral, mais ne fournit pas automatiquement une réponse adaptée à toutes les charges de travail.

Ce que montrent les résultats de Mistral Large 4 en cybersécurité, et ce qu’ils ne montrent pas

La cybersécurité est l’un des domaines dans lesquels Mistral affirme que Large 4 excelle. L’entreprise indique que le modèle atteint des performances de pointe parmi les modèles ouverts sur des benchmarks en cybersécurité, en finance et en fabrication. Elle affirme également que Large 4 surpasse tous les modèles à poids ouverts développés aux États-Unis ou en Europe, une affirmation générale que les futurs utilisateurs devraient confronter aux tâches précises qui les intéressent.

Selon Mistral, Large 4 figure parmi les cinq meilleurs modèles mondiaux sur l’Artificial Analysis Cyber Index et devance largement les modèles à poids ouverts développés hors de Chine. Il s’agit de deux comparaisons distinctes : la première le situe parmi les modèles mondiaux, tandis que la seconde restreint le champ aux modèles selon leur lieu de développement et la disponibilité de leurs poids. L’une ne doit pas être implicitement substituée à l’autre.

Mistral indique également un score de 82 % à un test cyber, qu’elle présente comme le meilleur score obtenu par un modèle à ce test. Les informations fournies ne précisent pas davantage de quel test il s’agit. Ce chiffre mérite donc d’être relevé, mais ne constitue pas une base solide pour tirer des conclusions sur une tâche particulière de test d’intrusion, une opération de sécurité ou un environnement de production.

Sur Cybench, Mistral affirme que Large 4 résout 93 % des défis. Un résultat portant sur la résolution de défis est plus concret qu’une formule générale telle que « performant en cybersécurité », mais il reste lié à un benchmark. Il ne démontre pas la fiabilité du modèle lorsqu’il est utilisé avec les systèmes, les autorisations, les normes de preuve ou les procédures de réponse aux incidents d’une organisation.

Comment une équipe de sécurité devrait interpréter ces chiffres

1. Définissez précisément la tâche de sécurité : analyse, triage, assistance aux enquêtes ou autre flux de travail. Ne supposez pas qu’un score cyber élevé se transpose sans changement d’une tâche à l’autre.
2. Vérifiez ce qui est considéré comme une réussite dans le benchmark concerné et comparez-le aux éléments qu’un évaluateur humain devrait examiner dans le cadre du travail.
3. Testez les réponses utiles comme les réponses risquées. Même un modèle performant sur les défis cyber a besoin de limites adaptées pour les demandes sensibles.
4. Maintenez la présence d’un décideur humain pour les actions susceptibles d’avoir une incidence sur les systèmes, les accès ou la gestion des incidents.

En cybersécurité, les capacités et la retenue doivent être évaluées conjointement. Mistral fait état à la fois de solides performances aux défis et de résultats en matière de sécurité, mais ces éléments mesurent des propriétés différentes. La conclusion appropriée à tirer des chiffres publiés est que Large 4 mérite une évaluation plus approfondie pour les tâches cyber, et non qu’un classement dans un benchmark suffit à le qualifier pour fonctionner sans supervision.

Benchmarks de programmation et d’agents : quelle place la préversion peut-elle occuper dans les flux de travail ?

Large 4 est également présenté comme un outil adapté au développement logiciel et aux tâches agentiques. Mistral indique des scores de 61,7 % sur DeepSWE v1.1, de 59,4 % sur SWE-Atlas-QnA et de 28,3 % sur Terminal-Bench 4.0. Ces scores offrent plusieurs perspectives sur les performances liées à la programmation, mais ils ne doivent pas être interprétés comme des pourcentages interchangeables mesurant une unique « capacité de programmation ». Chaque benchmark repose sur ses propres tâches et règles de notation.

Une évaluation humaine à l’aveugle distincte apporte un autre éclairage. Selon Mistral, Large 4 Preview s’est classé deuxième parmi cinq modèles et a obtenu une note de 3,74 sur 5. Ce résultat est important, car les évaluateurs ont jugé les productions au lieu de s’appuyer uniquement sur une notation automatisée. Il décrit néanmoins une seule configuration d’évaluation et ne garantit pas que le modèle se classera deuxième pour le code de toutes les équipes de développement.

Pour les flux de travail agentiques, Mistral indique un score de 59,9 % sur AutomationBench et de 1 393 Elo sur AA-Briefcase. Ces chiffres étayent l’intérêt de l’entreprise pour les tâches en plusieurs étapes, mais ils ne précisent pas comment le modèle gérera tous les outils, toutes les méthodes d’autorisation ou tous les échecs inattendus dans un système opérationnel. Même un agent performant dans un benchmark peut nécessiter une conception rigoureuse des outils et un point d’arrêt clairement défini.

Transformer l’intérêt pour les benchmarks en projet pilote utile

Un projet pilote de programmation devrait commencer par des tâches que l’équipe sait déjà évaluer : un problème réel, un dépôt familier et des critères d’acceptation qui ne se limitent pas à la production de code plausible. Vérifiez si le modèle repère les fichiers pertinents, explique ses hypothèses, gère les tentatives infructueuses et propose des modifications qu’un développeur peut vérifier. Mesurez le travail nécessaire pour examiner et corriger une réponse, pas seulement l’apparence soignée du premier résultat.

Pour un projet pilote agentique, définissez les outils que le modèle est autorisé à appeler et ce qui doit se passer avant toute action ayant des conséquences. Testez des tâches comportant des informations manquantes et des instructions contradictoires, car les exemples parfaitement fluides des benchmarks reflètent rarement toute l’ambiguïté des opérations quotidiennes. Notez si le système demande des précisions, tire une conclusion sans fondement ou s’arrête lorsqu’il n’a pas l’autorité nécessaire.

• Utilisez les scores de programmation pour présélectionner : ils montrent où le modèle a démontré ses performances dans le cadre d’évaluations définies.
• Utilisez l’évaluation humaine pour choisir : la lisibilité, la maintenabilité et le volume de corrections nécessaires influent sur la valeur pratique.
• Utilisez des tests en conditions de travail pour décider du déploiement : l’utilisation des outils, la récupération après une erreur et les limites d’approbation déterminent si un agent est fiable dans un contexte donné.

La conclusion la plus claire est que Large 4 a publié des résultats couvrant la programmation, les préférences humaines et les tests agentiques, plutôt qu’un seul benchmark logiciel isolé. Cette diversité en fait un candidat crédible à évaluer. Elle ne dispense pas de mesurer ses résultats dans le dépôt et l’environnement opérationnel où il serait utilisé.

Les affirmations concernant le multimodal, les sciences, le droit et la finance doivent être vérifiées au niveau des tâches

Les arguments de Mistral en faveur de Large 4 dépassent la programmation et la cybersécurité. Sur le benchmark de localisation visuelle Dense 200, l’entreprise affirme que son modèle obtient 42 %, contre 41 % pour GPT-6-Astra. Il s’agit d’une avance annoncée sur un test précis, et non d’une preuve de supériorité générale en matière de vision. Un écart d’un point fournit également peu d’indications à un utilisateur potentiel sur les performances du modèle avec ses propres documents ou images.

En sciences et en mathématiques, Mistral affirme que Large 4 atteint des performances de pointe parmi les modèles à poids ouverts sur SciCode-Verified. Cette affirmation, qui précise le benchmark et le groupe de comparaison, est plus ciblée et plus utile que d’affirmer qu’il s’agit du meilleur modèle scientifique toutes catégories confondues. Les équipes scientifiques devraient tout de même vérifier si les tâches testées ressemblent à leurs propres calculs, à leur code ou à leur processus de recherche.

Les tâches de connaissance professionnelle font l’objet d’affirmations tout aussi précises. Selon Mistral, des évaluateurs tiers ont constaté que Large 4 surpassait GPT-6-Astra sur des tâches représentatives des domaines juridique et financier. L’entreprise indique également qu’il surpasse tous les modèles open source sur le benchmark Legal Agent de HarveyAI. Ces résultats semblent prometteurs pour des domaines professionnels, mais ne signifient pas que les réponses du modèle peuvent remplacer un examen juridique ou une vérification financière.

Que devrait comprendre une évaluation propre à un domaine ?

Pour les tâches juridiques, testez des questions fondées sur les documents et la juridiction qui intéressent réellement l’utilisateur, puis demandez à des évaluateurs qualifiés de vérifier les réponses et le raisonnement qui les étaye. En finance, vérifiez si le modèle maîtrise la terminologie, les calculs et les sources pertinentes sans introduire d’hypothèses non justifiées. Dans les deux cas, évaluez l’ensemble du processus de vérification, et pas seulement la fluidité de la première réponse.

La couverture multilingue peut influer sur ces évaluations. Mistral indique qu’une part importante des données d’entraînement du modèle était multilingue, qu’elle couvrait plus de 160 langues et incluait toutes les langues officielles de l’UE. Il s’agit d’une information importante sur les données d’entraînement pour les organisations qui servent des utilisateurs dans plusieurs langues. Cela ne prouve pas, à lui seul, que les performances, la terminologie ou le comportement en matière de sécurité sont identiques dans chaque langue.

Un jeu de tests pertinent devrait donc inclure les langues et les types de documents que les utilisateurs soumettront réellement. Il devrait contenir aussi bien des formulations courantes que du langage spécialisé, et les évaluateurs devraient repérer les erreurs qu’une traduction fluide pourrait rendre difficiles à déceler. Si un flux de travail passe d’une langue à l’autre, testez cette transition au lieu d’évaluer chaque langue uniquement de façon isolée.

Ces affirmations propres à certains domaines sont utiles, car elles fournissent des points de départ concrets : Dense 200 pour la localisation visuelle, SciCode-Verified pour les tâches scientifiques et des évaluations juridiques et financières nommées. Elles ne constituent pas un classement universel de la qualité des modèles. La meilleure étape suivante consiste à associer chaque résultat publié à une tâche réelle et à déterminer ce que le benchmark ne couvre pas.

Résultats en matière de sécurité : résistance, comportement responsable et refus des demandes cyber

Mistral affirme que Large 4 résiste à 93,3 % des attaques du benchmark B3 AI Security de Lakera. Ce chiffre mesure les performances face aux attaques dans le cadre d’une évaluation précise. Il ne doit pas être interprété comme une garantie de protection à 93,3 % contre toutes les injections de prompt, toutes les tentatives de jailbreak ou toutes les autres attaques auxquelles une application déployée pourrait être exposée.

Sur le benchmark KORA, Mistral indique que Large 4 a obtenu le meilleur score mesuré parmi les modèles open source en matière de comportement responsable, avec 1,691 sur 2. L’entreprise affirme également que son taux moyen de refus aux prompts cyber tirés de plusieurs benchmarks de jailbreak et de sécurité dépasse celui de tous les modèles open source. Ces résultats portent sur des aspects différents du comportement du modèle ; les réunir en un unique « score de sécurité » masquerait des distinctions utiles.

Le refus dépend particulièrement du contexte. Un taux de refus plus élevé peut contribuer à limiter les réponses aux demandes préjudiciables, mais il peut également poser problème aux professionnels de la sécurité autorisés si le modèle refuse des tâches légitimes qu’ils sont habilités à effectuer. L’annonce ne précise pas où se situera cette limite pour les prompts d’une organisation donnée. Tester à la fois les tâches autorisées et les tâches interdites est plus instructif que de se réjouir isolément d’un taux de refus élevé ou d’un taux élevé de résolution des défis.

• Testez la résistance aux attaques : essayez les types de contenus non fiables auxquels l’application sera exposée, en particulier lorsque des éléments fournis par l’utilisateur pourraient influencer les instructions.
• Testez les accès légitimes : vérifiez si les employés autorisés peuvent accomplir leur travail habituel sans se heurter à des refus répétés et inutiles.
• Testez la supervision : vérifiez que les utilisateurs peuvent examiner, corriger et interrompre les réponses ou les actions des outils avant qu’elles ne causent un préjudice.

Les affirmations en matière de sécurité justifient un examen approfondi de Large 4, notamment au vu de ses performances cyber annoncées. Elles ne transfèrent pas à un benchmark la responsabilité de la sécurité de l’application. La conception du déploiement, les autorisations des utilisateurs, les processus de vérification et la surveillance restent du ressort de l’organisation qui utilise le modèle.

Entraînement et déploiement en Europe dans le cadre de l’ambition de souveraineté en IA de Mistral

Mistral affirme avoir entraîné Large 4 de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans ses propres centres de données européens. L’entreprise présente cette infrastructure comme un élément d’un effort plus large en faveur de la « souveraineté en IA ». Concrètement, l’annonce rattache le développement du modèle à des ressources d’entraînement exploitées en Europe, au lieu de traiter la géographie comme un simple argument marketing.

L’entreprise indique également que Large 4 sera disponible dans plusieurs régions, notamment via un déploiement européen exploité de bout en bout par Mistral. Pour les organisations soumises à des exigences régionales en matière de déploiement, c’est une option importante à étudier. La disponibilité annoncée ne répond pas, à elle seule, à toutes les questions concernant les flux de données d’un client donné, les conditions contractuelles ou les contrôles opérationnels.

Le lieu d’entraînement, le lieu d’inférence et la propriété des poids sont des questions distinctes. L’entraînement en Europe décrit l’endroit où Mistral affirme avoir développé le modèle. Un déploiement européen concerne le lieu et l’entité qui exploitent un service hébergé. La future publication des poids pourrait offrir une autre possibilité aux organisations souhaitant évaluer leurs propres solutions d’hébergement, sous réserve des modalités de publication et de leur infrastructure disponible.

Questions à poser lors d’un examen de souveraineté

• Dans quelle région précise les requêtes de production seraient-elles traitées, et qui exploite ce déploiement ?
• Quels contrôles s’appliquent aux prompts, aux réponses et aux données d’application transmises au service hébergé ?
• Quelles conditions régiront les poids lors de leur publication, et sont-elles compatibles avec l’usage prévu ?
• Compte tenu des efforts opérationnels nécessaires, l’hébergement autonome améliorerait-il réellement le niveau de contrôle de l’organisation ?

Aucune de ces questions ne remet en cause l’importance des affirmations de Mistral concernant son infrastructure européenne. Elles permettent de traduire un argument général en faveur de la souveraineté en décisions qu’une équipe technique, juridique et chargée des achats peut évaluer. Une option régionale est d’autant plus utile que ses limites précises correspondent aux exigences réelles de l’organisation.

Mistral indique également que Large 4 servira de base à une nouvelle génération de modèles spécialisés de Mistral. Cela laisse entrevoir une stratégie qui ne se limite pas à la publication d’un seul modèle généraliste. L’annonce ne présente pas ces futurs modèles et ne précise pas leurs capacités ; les équipes devraient donc évaluer Large 4 à partir de ce qui est disponible et documenté aujourd’hui, plutôt qu’en fonction d’une feuille de route supposée.

Accès à la préversion, tarification de l’API et coût d’une évaluation réelle

Pour essayer Large 4 dès maintenant, il faut passer par Mistral Studio ou l’API. La page d’annonce de Mistral indique un tarif de 1,36 $ par million de jetons d’entrée et de 4,18 $ par million de jetons de sortie. Ces chiffres sont utiles pour établir une première estimation des coûts de l’API, mais le budget de production dépend aussi du nombre de jetons consommés par un flux de travail, de la fréquence d’exécution des requêtes et du travail de vérification ou de nouvelle tentative nécessaire.

Pour une tâche fortement axée sur le texte, une organisation peut commencer par mesurer le volume habituel de jetons en entrée et en sortie, puis appliquer les tarifs indiqués à un lot représentatif. Elle devrait répéter l’exercice pour les cas difficiles, et pas seulement pour les prompts courts qui aboutissent. Si un flux de travail comporte plusieurs étapes agentiques, il faut comptabiliser toutes les requêtes nécessaires à l’ensemble de la tâche au lieu de considérer la réponse finale comme son coût total.

Le prix n’est qu’un élément de la comparaison entre l’accès hébergé et une éventuelle option d’auto-hébergement. La préversion offre un moyen simple d’évaluer le comportement du modèle sans attendre la publication des poids. Un déploiement fondé sur les poids pourrait offrir à une organisation un niveau de contrôle opérationnel différent, mais les besoins matériels, les ressources humaines, les conditions de licence et les coûts complets ne peuvent être déduits des tarifs de l’API indiqués dans l’annonce.

Distinguez trois décisions souvent confondues

1. Devons-nous le tester ? La préversion et les affirmations publiées concernant les benchmarks fournissent aux équipes de quoi lancer un projet pilote ciblé dès maintenant.
2. Devons-nous payer pour un accès hébergé ? Cette décision nécessite de mesurer la qualité, la consommation de jetons, les exigences régionales et les coûts à l’échelle du flux de travail.
3. Devons-nous exécuter les poids nous-mêmes ? Cette décision nécessite la version effectivement publiée, les conditions qui l’accompagnent et un plan de déploiement répondant aux exigences techniques et de gouvernance.

En séparant ces décisions, on évite qu’un benchmark impressionnant entraîne un engagement financier non examiné. On évite aussi d’attendre la publication des poids alors que la question immédiate consiste simplement à déterminer si le modèle est suffisamment performant pour les tâches de l’équipe. L’intérêt de l’accès à la préversion réside précisément dans la possibilité de vérifier ce point.

Comment déterminer si Mistral Large 4 mérite de figurer sur votre liste de présélection

Large 4 est particulièrement intéressant pour les équipes qui s’intéressent à plusieurs des domaines mis en avant par Mistral : programmation, flux de travail agentiques, cybersécurité, tâches multilingues ou analyses propres à un domaine. Les résultats annoncés suggèrent un modèle polyvalent plutôt qu’un outil conçu pour un seul benchmark. Cette polyvalence peut toutefois donner à tort l’impression que chaque tâche a déjà été validée.

Commencez par établir une liste de présélection en fonction de vos exigences, et non d’une seule place dans un classement. Si le téléchargement des poids est indispensable, suivez la publication promise et examinez les conditions avant de vous engager. Si vous avez immédiatement besoin d’un modèle hébergé pour faire des essais, utilisez la préversion pour comparer Large 4 aux solutions que vous envisagez déjà.

Constituez un petit jeu d’évaluation à partir de tâches réelles : demandes courantes, cas limites difficiles, exemples multilingues lorsque cela est pertinent et situations où une réponse erronée aurait de graves conséquences. Définissez à l’avance les critères de réussite, les cas qui nécessitent une vérification humaine et les échecs inacceptables. La comparaison restera ainsi utile même si l’équipe change de modèle par la suite.

Pour la programmation et les agents, mesurez les tâches accomplies et l’effort de vérification. Pour les applications juridiques, financières, scientifiques ou liées à la sécurité, demandez à des experts du domaine d’évaluer l’exactitude et les éléments qui étayent les affirmations. Pour les tâches multimodales, vérifiez les formats précis et le comportement de l’API requis par l’application avant de considérer un résultat de benchmark comme une preuve de compatibilité.

Enfin, consignez les contraintes de déploiement en même temps que la qualité du modèle. La meilleure réponse lors d’un test n’est pas forcément le meilleur choix pour une organisation si la région disponible, les modalités opérationnelles, le coût ou les conditions futures d’accès aux poids ne conviennent pas. À l’inverse, un modèle offrant de bonnes options régionales et de contrôle doit tout de même produire des résultats fiables pour les tâches qui lui seront confiées.

Mistral Large 4, « le Chonk », est une préversion publique notable : Mistral fait état de solides résultats en cybersécurité, en programmation, dans les tâches agentiques, en localisation visuelle et dans des domaines de connaissance spécialisés, tout en présentant la publication prévue des poids comme un élément de sa stratégie de souveraineté en IA. Les chiffres des benchmarks justifient de s’y intéresser, mais ne remplacent ni les évaluations au niveau des tâches ni les informations sur la version qui sera finalement publiée.

L’étape pratique suivante consiste à tester la préversion sur des charges de travail réelles et à distinguer la question des poids ouverts jusqu’à ce que les poids et leurs conditions soient disponibles. Cette approche permet de tirer parti de ce que l’annonce apporte dès maintenant sans considérer les affirmations de Mistral, ni la publication promise, comme des questions déjà réglées.