Mistral Large 4: a Europa aposta um trilhão de parâmetros em pesos abertos

A 6 de outubro, a Mistral AI colocou um modelo de um trilhão de parâmetros em pré-visualização pública e deu-lhe uma alcunha: Le Chonk. O laboratório francês afirma que o Mistral Large 4 é o modelo de pesos abertos mais forte alguma vez lançado nos Estados Unidos ou na Europa. Os próprios pesos só serão disponibilizados a 27 de outubro, mas a API já está ativa, e os benchmarks já são públicos.

A alcunha é um piscar de olho, mas os números por trás dela não são pequenos. O Large 4 tem 1,05 trilhão de parâmetros totais numa arquitetura esparsa de mistura de especialistas, e ativa cerca de 49 bilhões deles em qualquer tarefa. A documentação da própria Mistral arredonda 52 bilhões de ativos em um lugar e primeiros relatos citavam 49 bilhões em outro. De qualquer forma, o objetivo de projeto é o mesmo que todos os grandes laboratórios agora perseguem: obter a capacidade de um modelo muito grande sem pagar para executá-lo por inteiro em cada token.

O que está realmente dentro

O modelo é nativamente multimodal. A Mistral emparelhou a espinha dorsal de linguagem com um codificador de imagens separado de 1,6 bilhão de parâmetros, e ele lida tanto com texto quanto com imagens. A janela de contexto chega a um milhão de tokens. Os dados de treinamento eram fortemente multilíngues, cobrindo mais de 160 idiomas, incluindo todos os idiomas oficiais da União Europeia.

A Mistral treinou o Large 4 do zero com aproximadamente 3.800 a 4.000 GPUs Nvidia Grace Blackwell nos seus próprios centros de dados europeus, ao longo de cerca de dois meses. O mesmo hardware agora atende a pré-visualização pública. A empresa afirma também que o aprendizado por reforço ainda está rodando no modelo, por isso espera que os números mudem nas próximas semanas.

A tabela de benchmarks, lida com atenção

Em codificação agêntica, a Mistral reporta 61,7% no DeepSWE v1.1, 59,4% no SWE-Atlas-QnA e 28,3% no Terminal-Bench 4, para um Coding Agent Index combinado de 49,8%. Esse valor, segundo a empresa, supera ligeiramente o DeepSeek V4 Pro 0813 e o Qwen3.8 Max. No AutomationBench, que executa 657 fluxos de trabalho empresariais em ferramentas como Gmail, Google Sheets, Slack e Salesforce, o Large 4 obteve 59,9%.

A alegação mais interessante é sobre ancoragem visual. No benchmark Dense 200, que mede quão bem um modelo consegue localizar um objeto específico dentro de uma imagem, a Mistral coloca o Large 4 em 42%, um ponto acima do GPT-6 Astra, com 41%. Uma diferença de um ponto numa única avaliação não é um nocaute, e não deve ser lida como tal. Mas é o tipo de tarefa em que os modelos abertos têm ficado atrás dos fechados, por isso um resultado tão próximo merece nota.

A cibersegurança é onde o tom muda de marketing para argumento. A Mistral diz que o Large 4 está entre os cinco melhores do mundo no Artificial Analysis Cyber Index. Reporta uma taxa de sucesso de 82% na reprodução e correção de vulnerabilidades reais em software de código aberto, e 93% no Cybench, um conjunto de 40 problemas de competições de segurança. A empresa também faz uma observação incisiva: alguns modelos fechados se recusam a reproduzir uma vulnerabilidade, porque o pedido parece atividade ofensiva, o que leva as suas pontuações para perto de zero nos mesmos testes.

Uma avaliação cega conta uma história mais fundamentada. Num teste realizado com a Surge AI, revisores profissionais pontuaram código gerado numa escala de cinco pontos sem saber qual modelo o escreveu. O Large 4 ficou em 3,74. O Claude Opus 5 obteve 4,22, e o GLM-5.3 obteve 3,60. Assim, na qualidade do código avaliada por humanos, o Large 4 fica em segundo entre os cinco modelos comparados, à frente dos concorrentes abertos mas atrás do líder fechado.

Todos estes números vêm da Mistral. São preliminares, são autorrelatados, e nenhuma parte independente os reproduziu ainda. Encare-os como uma forte alegação inicial, não como um resultado estabelecido.

Preços e a aposta nos pesos abertos

A API está disponível agora através do Mistral Studio e do OpenRouter. O preço de tabela é de $1,36 por milhão de tokens de entrada e $4,18 por milhão de tokens de saída, com uma promoção de lançamento pela metade dessas tarifas, $0,68 e $2,09. Em 27 de outubro, os pesos chegam, e qualquer pessoa pode baixá-los e executar o Large 4 no seu próprio hardware sem alugar acesso.

Essa última parte é toda a estratégia. A Mistral não consegue gastar mais do que a OpenAI ou a Anthropic em capacidade computacional, e não consegue acompanhar o ritmo de lançamentos dos laboratórios chineses de pesos abertos que lançam modelos grandes quase mensalmente. O que pode oferecer é controle. Uma empresa com regras de residência de dados, ou uma equipe de segurança que precisa de um modelo para ajudar a reproduzir uma vulnerabilidade sem que um fornecedor recuse o pedido, obtém algo que um modelo fechado hospedado não proporciona. A Mistral aposta forte nesse discurso, descrevendo o Large 4 como forjado na Europa de ponta a ponta e implantável a partir da Europa através da sua própria nuvem.

O momento competitivo deixa claro o que está em jogo. A Reflection AI, um laboratório apoiado pela Nvidia, lançou um modelo de pesos abertos de 501 bilhões de parâmetros em 5 de outubro, um dia antes do Large 4. Laboratórios chineses, incluindo Alibaba, Z.ai, Moonshot e DeepSeek, passaram os últimos dois meses lançando modelos abertos fortes de forma contínua. Analistas que acompanham a convergência de benchmarks relatam que a diferença entre modelos de pesos abertos e proprietários diminuiu em tarefas de raciocínio selecionadas, e que os preços premium das APIs proprietárias caíram em consequência. A Mistral está entrando num mercado onde ser o maior modelo aberto vale menos do que ser o mais confiável, e a confiança se constrói com as licenças e opções de implantação, não com contagens de parâmetros.

O red-teaming de cibersegurança segue a mesma lógica. Antes de os pesos serem lançados, a Mistral está dando a parceiros verificados e autoridades estatais acesso ao mesmo modelo “com moderação reduzida e capacidades cibernéticas ampliadas”. A empresa argumenta que recusas ao nível do fornecedor podem bloquear respostas legítimas a incidentes, e que perder acesso a uma ferramenta no meio de um incidente é, em si, um risco.

O lançamento também chega num momento específico. A Mistral fechou recentemente uma rodada de financiamento que empurrou sua avaliação para além dos $24 bilhões, com a Samsung entre os novos investidores. A Reflection AI lançou um modelo aberto de 501 bilhões de parâmetros apenas um dia antes. O nível dos pesos abertos está ficando lotado, e o diferencial já não é o tamanho bruto.

O que isto muda, e o que não muda

O Large 4 não fecha a diferença em relação aos melhores modelos fechados em todas as tarefas, e a Mistral não chega exatamente a afirmar que o faz. O que faz é reduzir a diferença num punhado de trabalhos que importam às empresas, e combinar isso com uma história de licenciamento e implantação de que essas empresas realmente precisam. Se os pesos de 27 de outubro resistirem a testes externos, a questão prática deixa de ser se um modelo aberto é bom o suficiente em abstrato e passa a ser se é bom o suficiente para um trabalho específico e bem definido.

A alegação mais rara a acompanhar é a da cibersegurança. Um modelo que ajuda equipes de segurança a corrigir vulnerabilidades reais, executado sob as suas próprias políticas, no seu próprio hardware, é um tipo diferente de produto de um chatbot que recusa o pedido. Se isso se mantiver, pode importar mais do que alguns pontos num benchmark de programação. Se testadores externos descobrirem que o número de 82% não se transfere para fora da configuração da própria Mistral, o discurso colapsa de volta para preço e portabilidade, que é um lugar lotado para se estar.

De qualquer forma, a Europa tem agora um produto de referência próprio para discutir. Essa discussão começa a sério em 27 de outubro.