Mistral Large 4 : ce que vaut vraiment l’IA française, et qui contrôle vos données

Mistral Large 4 est le modèle d’IA le plus performant conçu hors des États-Unis et de la Chine : 38 points à l’indice d’Artificial Analysis, comme GPT-6 Luna, l’entrée de gamme d’OpenAI, mais loin de GPT-6 Astra (52,7). En préversion par API depuis le 6 octobre 2026, poids promis fin octobre, il brille en cybersécurité et progresse en lecture de documents. Son tarif standard coûte 3,5 à 13 fois plus que ceux de DeepSeek V4.1 Flash, GLM-5.3-Flash ou GPT-6 Luna, et l’hébergement européen ne vaut qu’en passant par Mistral directement.

Le sujet a circulé sur les réseaux sociaux avec des chiffres spectaculaires, dont certains sont faux. Nous avons repris chaque affirmation à sa source : l’annonce de Mistral, l’évaluation indépendante d’Artificial Analysis et les tarifs publiés, relevés le 8 octobre 2026.

Mistral Large 4 en chiffres vérifiés

Selon l’annonce officielle de Mistral AI, le modèle compte 1 000 milliards de paramètres, dont seule une petite partie travaille à chaque requête : c’est une architecture à « mélange d’experts ». Mistral annonce 52 milliards de paramètres actifs, alors qu’Artificial Analysis en compte 49 milliards. L’écart est mineur, mais il montre que même la fiche technique n’est pas encore stabilisée pendant la préversion.

Deux chiffres repris en boucle ne tiennent pas. Le modèle n’a pas été entraîné sur 3 000 GPU mais sur 3 800 : le chiffre de 3 000 correspond à la seule phase d’apprentissage par renforcement, qui produit selon Mistral environ 33 milliards de jetons par jour. Quant à la comparaison avec « 100 000 GPU chez OpenAI », nous n’en avons trouvé aucune source publique. Le contraste de moyens est réel, mais aucun ratio précis ne peut être affirmé.

La fenêtre de contexte pose un autre problème. Plusieurs articles parlent d’un million de jetons. L’interface de programmation, elle, expose 524 288 jetons : c’est ce que nous avons relevé dans le catalogue public d’OpenRouter, qui reprend l’offre de Mistral. Pour un usage réel, comptez sur 512k.

Performances : un vrai bond, pas encore la tête

À l’indice de synthèse d’Artificial Analysis, Mistral Large 4 obtient 38 points, au niveau de GPT-6 Luna (38) et juste derrière DeepSeek V4.1 Flash (39). Le progrès est net : Mistral Large 3 plafonnait à 9 points et Mistral Medium 3.5 à 14, selon Trending Topics, qui reprend le classement. La France retrouve ainsi le modèle le plus performant hors États-Unis et Chine.

Il faut pourtant remettre ce score à sa place. GPT-6 Luna n’est pas le GPT-6 phare : c’est un modèle d’entrée de gamme facturé 0,10 dollar par million de jetons en entrée. Le haut de gamme d’OpenAI, GPT-6 Astra, obtient 52,7 points, et Claude Opus 5.5, en tête du classement, 57,6 points (source : Trending Topics, octobre 2026). Mistral Large 4 ne concurrence donc pas GPT-6 Astra : il atteint environ les deux tiers du score de Claude Opus 5.5. Sept modèles chinois à poids ouverts restent aussi devant lui. Ce n’est pas un modèle de pointe absolue : c’est un modèle solide de deuxième ligne, le premier européen à revenir dans cette catégorie.

La cybersécurité, son point fort le plus net

Artificial Analysis lui attribue 50 points à son indice de cybersécurité, au niveau de GLM-5.3-Flash, et 82 % au test CyberGym-E2E, où le modèle doit reproduire une faille réelle d’un logiciel libre puis la corriger. Aucun modèle évalué ne fait mieux : il devance MiMo-V2.6-Pro (79 %) et GPT-6 Luna (78 %) (source : Artificial Analysis, octobre 2026).

Ce résultat demande une lecture attentive. Mistral écrit lui-même que plusieurs grands modèles fermés, dont Claude Opus 5.5 et GPT-6 Astra, obtiennent près de zéro à ce test parce qu’ils refusent la tâche. Une partie de l’avance tient donc à une politique d’usage plus permissive, pas seulement à une meilleure compétence. Pour une équipe de sécurité, c’est un avantage pratique. Pour l’éditeur, c’est un choix assumé sur ce qu’un modèle accepte de faire, avec les risques d’usage malveillant que cela implique.

Documents et images : le rattrapage

Sur GDP.pdf, un test de lecture de documents, Mistral Large 4 obtient 19 %, soit 18 points de plus que Large 3, toujours selon Artificial Analysis (source : évaluation d’octobre 2026). Le chiffre absolu reste modeste, mais le saut est réel, et la limite de 100 images par requête change l’usage : une série de captures d’écran ou les pages scannées d’un contrat tiennent dans une seule demande.

Le prix de Mistral Large 4 face à la concurrence

Le tarif standard annoncé est de 1,36 dollar par million de jetons en entrée et 4,18 dollars en sortie. Pendant la préversion, une remise de 50 % s’applique : nous avons relevé 0,68 et 2,09 dollars le 8 octobre 2026 sur la fiche OpenRouter du modèle. Artificial Analysis chiffre le coût moyen d’une tâche de son indice à 1,13 dollar au tarif standard, et à 0,57 dollar avec la remise (relevé du 8 octobre 2026).

Nous avons comparé ce tarif à ceux des modèles qui obtiennent un score proche, tels qu’ils apparaissent dans le catalogue d’OpenRouter le même jour. Les ratios sont calculés par nos soins sur le tarif standard de Mistral, celui qui s’appliquera après la préversion.

Le « quatre fois plus cher » qui circule ne vaut donc que face à DeepSeek. Face à GLM-5.3-Flash ou GPT-6 Luna, l’écart dépasse huit fois. Notre avis : pour un usage courant (résumer, rédiger, classer), Mistral Large 4 ne se justifie pas par son rapport qualité prix. Il se justifie dans trois cas précis : un travail de sécurité que les autres modèles refusent, l’analyse de lots d’images ou de documents longs, et surtout une contrainte réelle sur le lieu de traitement des données. Dans ces trois cas, chiffrez votre volume de jetons avant de vous engager, car la remise de lancement disparaîtra.

Qui contrôle vos données avec Mistral Large 4 ?

C’est l’argument central de Mistral, et il mérite d’être lu mot à mot. L’éditeur décrit un déploiement européen qu’il exploite « de bout en bout, indépendamment des autres fournisseurs de services numériques et sous droit européen ». Le modèle a été entraîné et tourne sur les propres centres de données de Mistral en Europe, premier jalon financé par sa levée de 3 milliards d’euros.

Si cette promesse est tenue, la différence est concrète. Un fournisseur soumis au droit américain peut être contraint de communiquer des données, même stockées en Europe, en vertu du CLOUD Act. Un service exploité par une entreprise française sur ses propres machines échappe à ce mécanisme. Pour une administration, un cabinet d’avocats ou une entreprise qui traite des données de santé, c’est souvent ce critère qui décide, avant même la performance.

Trois limites doivent cependant être connues avant de s’en remettre à ce discours.

• C’est une déclaration, pas une certification. L’annonce ne précise ni la liste des sous-traitants qui interviennent sur ce déploiement, ni la durée de conservation des requêtes. Ces informations relèvent des conditions contractuelles et du centre de confiance de Mistral : un acheteur doit les exiger par écrit.
• Le chemin compte autant que le modèle. Mistral indique aussi que le modèle est disponible dans plusieurs régions du monde. Et si vous y accédez par un intermédiaire, comme une passerelle multi-modèles, vos requêtes transitent par cet intermédiaire et relèvent de ses propres conditions. Le traitement « sous droit européen » ne vaut que pour un appel direct à l’offre européenne de Mistral.
• Les poids ouverts ne sont pas encore là. Tant qu’ils ne sont pas publiés, avec une licence connue, Mistral Large 4 reste un service en ligne comme un autre : vous dépendez de son éditeur, de ses tarifs et de ses conditions.

La vraie reprise en main viendra avec les poids, s’ils sont publiés comme promis. Un modèle à poids ouverts peut tourner sur une infrastructure que vous choisissez : la vôtre, ou celle d’un hébergeur dont vous connaissez le droit applicable. Encore faut-il en avoir les moyens. Notre estimation, à partir du nombre de paramètres : rien que pour charger le modèle, il faut de l’ordre de 500 Go de mémoire en quantification sur 4 bits, et environ 1 To en 8 bits, avant même de compter le contexte. C’est hors de portée d’un particulier ou d’une petite structure, mais à la portée d’un hébergeur européen qui proposerait ensuite le modèle en service. Pour un usage individuel, la piste réaliste reste un modèle plus petit, à faire tourner chez soi, dans l’esprit de notre rubrique open source et auto-hébergement.

Mistral a d’ailleurs montré récemment que sa propre souveraineté a des limites pragmatiques : son assistant de code s’appuie par défaut sur un modèle chinois, comme nous l’avons expliqué dans notre article sur GLM 5.3 dans Vibe Code. Un outil européen n’est pas forcément européen de bout en bout : il faut regarder quel modèle tourne, où, et chez qui.

Faut-il l’adopter maintenant ?

Pas tout de suite pour la plupart des usages. La préversion signifie que les caractéristiques, le tarif et les performances peuvent encore bouger, comme le montre l’écart sur le nombre de paramètres actifs. Le bon moment pour trancher sera la publication des poids, attendue fin octobre : la licence dira si un hébergeur tiers pourra le proposer, et donc si une vraie concurrence sur le prix et le lieu d’hébergement est possible.

D’ici là, trois profils ont intérêt à le tester dès maintenant, en profitant de la remise : les équipes de sécurité qui se heurtent aux refus des modèles américains, les métiers qui traitent de grands volumes de documents scannés, et les organisations qui ne peuvent pas envoyer leurs données hors de l’Union européenne. Pour situer ce choix dans une stratégie plus large, notre guide de la souveraineté numérique détaille les critères à examiner.

Dernière vérification : 08/10/2026