/// Signal

Mistral Large 4 : le Chonk annonce 1 000 milliards de paramètres, des poids promis pour la fin du mois

Le fait : le 6 octobre 2026, Mistral AI a lancé une préversion publique de Mistral Large 4, surnommé « le Chonk », un modèle nativement multimodal de 1 000 milliards de paramètres dont 49 milliards actifs. Il a été entraîné à partir de zéro sur 3 800 GPU NVIDIA Grace Blackwell, dans les propres datacenters de l’entreprise en Europe, et la préversion tourne sur cette même infrastructure. Les poids, eux, ne sont pas encore publics : le communiqué écrit « Les poids seront publiés à la fin du mois », et TechCrunch dit la même chose en six mots, « is not an open-weight model yet ». D’ici là, Mistral indique soumettre le modèle à un red-teaming en conditions réelles aux côtés de « leaders de la cybersécurité, de partenaires validés et d’autorités publiques, qui accéderont au même modèle avec une modération allégée et des capacités cyber étendues ».

Ce qui est ouvert aujourd’hui, et le mot exact. Le communiqué français ouvre par une phrase qui ne laisse pas de place à l’interprétation : « Aujourd’hui, nous lançons une préversion publique de Mistral Large 4. Officieusement ML4, très officiellement : le Chonk. » Puis il donne l’accès tel qu’il est, aujourd’hui et pas demain : « Vous pouvez dès aujourd’hui essayer l’API de préversion sur Mistral Studio. » Et l’échéance, écrite trois fois dans la même page — « Les poids seront publiés à la fin du mois », puis deux fois « Nous publierons les poids d’ici la fin du mois ». TechCrunch, qui a interrogé l’entreprise, le reformule sans le contredire : le modèle « is not an open-weight model yet », et « For the time being, it can only be accessed via a public guardrail endpoint, but Mistral plans to make its weights available in just three weeks, after safety testing is complete ». Trois semaines après le 6 octobre, cela tombe le 27 ; la fin du mois, c’est le 31. Ce n’est pas une contradiction — c’est un horizon qui n’est pas daté. Et quelle que soit la date, « à poids ouverts » ne décrit pas ce qu’on peut faire aujourd’hui. La nuance n’est pas académique : elle sépare une API qu’on essaie d’un fichier qu’on télécharge et qu’on héberge soi-même, et c’est précisément cette autonomie que le communiqué met en avant. Le titre du journal, lui, choisit l’intention plutôt que l’état : « Mistral’s new 1T model aims to leapfrog closed and open rivals » — aims to, pas does. Et le même modèle est décrit autrement dans la colonne latérale de la page, sur sa carte produit : « Open-weight hybrid instruct-and-reasoning MoE with multimodal input », « state-of-the-art among open weights on cybersecurity, finance, and manufacturing » — dans la version française comme dans l’anglaise. La carte décrit le modèle qui doit sortir, et elle ne porte pas de date ; la prose, elle, dit quand. L’une annonce ce que le modèle sera, l’autre dit ce qu’il est aujourd’hui.

L’architecture que le communiqué donne, et que la reprise a laissée de côté. « ML4 est un modèle nativement multimodal de 1 000 milliards de paramètres, avec 49 milliards de paramètres actifs. » Ces deux nombres vont ensemble, et c’est le second qui explique le reste : un modèle dont 49 milliards de paramètres travaillent à chaque passage n’a pas les mêmes besoins de calcul qu’un modèle dense de 1 000 milliards, et c’est cette architecture — pas seulement une question de parc — qui rend l’argument d’efficacité crédible. Vient alors le chiffre qui sert la démonstration, et c’est là que les deux documents ne disent pas la même chose. Mistral écrit noir sur blanc : « ML4 a été entraîné à partir de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans nos propres datacenters en Europe. La préversion publique s’exécute sur cette même infrastructure. » TechCrunch, de son côté, raconte la même chose dans sa propre prose — le modèle « was trained entirely on Mistral’s compute », avec « using only 4,000 Nvidia GPUs » — et c’est seulement la comparaison qui est citée de Pierre Stock, vice-président science de Mistral : « which is two to three times less than our Chinese competitors, and significantly less than the closed source competitors ». Pour la même machine, donc, 3 800 dans le communiqué et 4 000 dans la prose de TechCrunch. Le document ne dit pas d’où vient l’écart, et nous ne le devinerons pas à sa place : arrondi de conversation, périmètre différent, matériel modifié entre l’entraînement et la mise en service, les trois restent ouverts. La même page porte d’ailleurs un troisième chiffre, dans une autre section, celle de l’apprentissage par renforcement : « À notre échelle actuelle (3 000 GPU), une seule session d’entraînement produit environ 33 milliards de tokens par jour ». Le document ne dit pas comment ce nombre s’articule avec les 3 800 de l’entraînement initial, et c’est précisément ce qui rend l’écart difficile à trancher : selon ce qu’on mesure — le pré-entraînement, une session d’entraînement, ou la plateforme au moment de l’entretien — le compte n’est pas le même. Ce qui est établi, en revanche, c’est le lieu : l’entraînement a eu lieu chez Mistral, en Europe, et c’est ce que la page résume d’une formule — « Forgé en Europe. Conçu pour la souveraineté de l’IA. »

Le mois où les garde-fous sont répartis différemment selon qui demande. C’est la phrase la plus concrète du communiqué, et elle est écrite noir sur blanc : « D’ici là, nous soumettons le modèle à un red-teaming en conditions réelles aux côtés de leaders de la cybersécurité, de partenaires validés et d’autorités publiques, qui accéderont au même modèle avec une modération allégée et des capacités cyber étendues. » Autrement dit : tant que les poids sont fermés, l’accès public passe par une API encadrée, et un cercle nommé — partenaires validés, autorités publiques — reçoit le même modèle avec une modération allégée et des capacités cyber étendues — les mots du document, qui ne disent pas ce qu’on en fait. Stock l’explique ainsi à TechCrunch : « In the meantime, we’ll work with trusted partners and governments to make sure that the open source weights can be used to defend, but not to [perform] malicious attacks ». L’argument de Mistral tient en une observation, et elle est écrite dans le document : « Plusieurs modèles fermés de premier plan, dont Claude Opus 5.5 et GPT-6 Astra, obtiennent un score proche de zéro sur ce même test, car ils refusent d’effectuer la tâche. Or, la défense des logiciels commence souvent par prouver qu’une faille est réelle ». L’entreprise chiffre cet avantage : sur l’Artificial Analysis Cyber Index, qu’elle présente comme « une évaluation indépendante », ML4 « figure parmi les cinq meilleurs modèles au monde » ; sur le test qui demande de reproduire une vulnérabilité réelle dans un logiciel open source puis de la corriger, « ML4 obtient 82 %, le score le plus élevé de tous les modèles » ; et il résout « 93 % des défis de Cybench ». Ces chiffres sont ceux de l’éditeur, publiés par lui, sans lien vers le rapport de l’index : TechCrunch écrit de son côté « With benchmark results still pending ». Deux formulations qui coexistent, et qu’on ne tranche pas ici. Le journal ajoute, au discours indirect, la formulation que la page ne reprend pas telle quelle — elle écrit, pour les organisations qui ont « besoin d’une IA souveraine et auditable », que le modèle « pourra être déployé sur un cloud privé ou on-premise » : « an open-weight model is easier to audit, Stock said ». Et la page donne elle-même la réserve qui nuance tout l’argument, à la section « Sécurité des modèles » : « Malgré de solides performances sur les benchmarks Cyber, le taux de refus moyen du modèle sur les prompts cyber issus de JailbreakBench, StrongREJECT et AgentHarm est supérieur à celui de tous les modèles OSS. » Autrement dit, ML4 refuse davantage que les autres modèles ouverts sur ces requêtes précises : ce que Mistral vend n’est donc pas un modèle qui refuse moins, mais un modèle qu’on peut héberger soi-même.

Ce que la presse ajoute, et ce que le communiqué ne dit pas. Les deux documents ne couvrent pas le même périmètre, et trois écarts méritent d’être nommés. D’abord les investisseurs : « Dutch giant ASML, which led its Series C, and Samsung, which led its Series D last month at a €21 billion valuation (about $24.39 billion) » — « last month », c’est-à-dire en septembre 2026 — la conversion est ici hors des guillemets, et la citation est dans la langue de sa source. Ces deux noms viennent de TechCrunch et n’apparaissent pas dans le communiqué — qui, lui, mentionne bien sa « série D de 3 milliards d’euros », sans nommer les investisseurs. Ensuite les métiers visés : Mistral écrit « notamment en cybersécurité, en finance et en droit », là où TechCrunch retient « cybersecurity and finance, but also chip design », en rattachant la conception de puces à ASML et Samsung. Les deux listes ne se recouvrent qu’en partie, et rien ne permet de dire laquelle est la plus complète. Enfin le contexte que le journal rappelle et que la page officielle passe sous silence : l’entreprise a hébergé des modèles chinois, et elle a cherché à faire comprendre que ce n’était pas un renoncement — « With Le Chonk in its corner, the company believes it should still be considered a frontier lab as well. » Sur le terrain européen, en revanche, c’est le document qui est le plus précis : le modèle « sera disponible dans plusieurs régions du monde, dont un déploiement européen opéré de bout en bout par Mistral, indépendamment d’autres fournisseurs de services numériques et dans le cadre du droit européen », avec « plus de 160 langues, dont toutes les langues officielles de l’Union européenne ». Et une réserve que l’éditeur écrit lui-même, sur ses propres chiffres : dans son évaluation humaine en aveugle menée avec Surge AI — qu’elle précise porter « sur la qualité du code » —, ML4 Preview « se classe deuxième sur cinq modèles (3,74) », devant Kimi K3, GLM-5.3 et GLM-5.2, et derrière Claude Opus 5 (4,22).

Notre lecture. Le sujet n’est pas la taille du Chonk — 1 000 milliards de paramètres est un chiffre qui impressionne et qui, seul, n’apprend rien. Le sujet est ce qui est ouvert aujourd’hui, et pour qui. Ce qui est lancé est une préversion publique, accessible par API ; les poids arrivent à la fin du mois, sous condition de sécurité ; et pendant ce mois, la version la moins bridée du même modèle circule dans un cercle nommé, avec une modération allégée et des capacités cyber étendues. C’est une façon de faire qu’on peut discuter — elle réserve à quelques-uns, pour un temps, ce que l’ouverture promet à tous — mais elle est cohérente avec l’argument de l’entreprise, qui est aussi le plus intéressant du dossier — la page écrit que les refus des fournisseurs « peuvent bloquer des recherches légitimes sur les vulnérabilités et la réponse aux incidents », et que « la perte d’accès à une capacité en pleine gestion d’incident peut elle-même devenir un risque de sécurité critique ». Reste la réserve, et elle est triple : les performances annoncées sont celles de l’éditeur, évaluées par lui, ou sur des repères et des jeux de tests qu’il nomme — la page nomme Lakera, KORA, JailbreakBench, StrongREJECT, AgentHarm et vals.ai — cinq de ces six noms portent d’ailleurs un lien dans la page, mais ceux dont l’article cite les chiffres, Cybench et Surge AI, sont nommés sans lien, comme l’Artificial Analysis Cyber Index, qui n’est donc pas la seule exception ; ensuite, le chiffre de matériel, qui porte l’argument d’efficacité, n’est pas le même dans le communiqué et dans la presse ; et enfin, ce qui est lancé aujourd’hui n’est pas un modèle à poids ouverts. Le test du retour à la moyenne, notre filtre maison : dans six mois, la bonne question ne sera pas de savoir si le Chonk bat GLM-5.3 sur un tableau, mais si les poids sont sortis à la fin du mois — et sous quelles conditions. Trois signaux observables. Les poids sortent-ils, et à quelle date ? L’accès élargi accordé aux partenaires et aux autorités est-il décrit, ou reste-t-il une phrase de communiqué ? Et un modèle à poids ouverts se juge-t-il sur ses tableaux, ou sur le nombre d’organisations qui l’hébergent chez elles ? Aujourd’hui, aucune des trois n’a de réponse.