A Mistral lançou o Mistral Large 4, apelidado de Le Chonk, com pesos abertos. O Hugging Face anunciou a liberação em um post de 29 de outubro de 2026.
O que é o modelo
O Mistral Large 4 é um modelo Mixture-of-Experts multimodal e multilíngue. Ele recebe texto e imagens e devolve texto. O post cita cerca de 1T de parâmetros totais, com 49B ativos por token, e uma janela de contexto de 1M de tokens. Os checkpoints oficiais vêm em duas variantes, FP8 e NVFP4. A Unsloth e a equipe do llama.cpp já publicaram versões em GGUF.
A licença é a Mistral Ecosystem Open-Weight License, descrita como derivada da MIT e com limite para ofertas de modelo como serviço. Quem pretende montar um produto pago em cima dos pesos deve ler o texto antes.
Capacidades divulgadas
O post posiciona o modelo para cibersegurança, agentes de programação e trabalho multimodal. Os números abaixo são os citados no post, e vários vêm dos relatórios da própria Mistral:
- Posição: quinto melhor modelo de pesos abertos no índice Artificial Analysis Intelligence em 29 de outubro de 2026.
- Programação: 61,7% no DeepSWE v1.1 e 49,8 pontos no Coding Agent Index.
- Fluxos de negócio: 59,9% no AutomationBench, que cobre fluxos de trabalho empresariais.
- Segurança: 82% na tarefa do Artificial Analysis Cyber Index de reproduzir e depois corrigir uma vulnerabilidade real, e 93,3% de resistência a ataques no benchmark de prompt injection B3, da Lakera.
Segundo o post, alguns modelos fechados pontuam perto de zero na tarefa de segurança porque se recusam a executá-la. O texto argumenta que, com pesos abertos, a política de uso e a implantação ficam com o usuário. Ainda assim, de acordo com o post, o modelo recusa pedidos cibernéticos nocivos com mais frequência que outros modelos de pesos abertos.
Como rodar
O suporte desde o primeiro dia abrange transformers, vLLM e llama.cpp, além de ajuste fino via TRL. Alguns limites práticos apontados no post:
- O checkpoint NVFP4 no vLLM exige GPUs NVIDIA Blackwell.
- A receita dos Inference Endpoints do Hugging Face usa oito GPUs H200 com pesos FP8, atende até 131K tokens de contexto e processa 16 requisições simultâneas.
- Nessa configuração, uma única requisição gera cerca de 65 tokens por segundo. Em 1.000 conversas do ShareGPT, o total ficou em cerca de 480 tokens por segundo.
- As quantizações de 2 bits do llama.cpp cabem em uma única máquina Apple Silicon Ultra com 512 GB de memória unificada. O Hugging Face mediu cerca de 15 tokens por segundo de geração em um M3 Ultra.
- O esforço de raciocínio pode ser definido como baixo, médio ou alto. O padrão é alto e não é possível desativá-lo.
O post também lista uma receita do Dell Enterprise Hub para servidores Dell com GPUs NVIDIA H200, B200, GB200 ou GB300, e acesso serverless pelos Inference Providers.
O que o post não traz
O post não informa preço para uso hospedado. Os resultados dos benchmarks não são verificados de forma independente no texto, com exceção das posições do índice Artificial Analysis que ele cita.