Mistral Large 4 en entreprise : ce que change le modèle européen

Mistral AI a présenté le 6 octobre 2026 Mistral Large 4, un modèle d'environ 1 000 milliards de paramètres, disponible pour l'instant en préversion via son API, avec des poids promis en accès libre d'ici la fin du mois. Pour une entreprise, c'est la première fois qu'un modèle européen de ce calibre pourra être hébergé sur une infrastructure choisie, sans dépendre d'un fournisseur américain ou chinois. Mais entre l'annonce et un usage en production, il y a des questions de coût, de licence et de matériel qu'il faut regarder de près avant de basculer.

Qu'est-ce que Mistral a annoncé exactement ?

Dans son annonce officielle, Mistral présente Large 4 comme un modèle généraliste, multimodal (il lit du texte et des images) et « open weight », c'est-à-dire que les paramètres du modèle seront téléchargeables et exécutables chez soi. L'éditeur précise que le modèle a été entraîné de zéro sur 3 800 GPU NVIDIA Grace Blackwell dans ses propres centres de données en Europe, et que les poids seront publiés d'ici la fin du mois.

Côté architecture, il s'agit d'un « Mixture of Experts » (MoE) : le modèle est découpé en nombreux sous-réseaux spécialisés, et seule une petite partie s'active pour chaque mot généré. La fiche technique de la documentation Mistral indique 1 050 milliards de paramètres au total, 52 milliards actifs par token, un encodeur d'images de 1,6 milliard de paramètres et une fenêtre de contexte d'un million de tokens. D'autres pages de Mistral parlent de 49 milliards de paramètres actifs : l'écart ne change rien en pratique, mais il montre qu'on est encore sur une préversion.

L'annonce tombe un mois après la levée de fonds de 3 milliards d'euros annoncée le 8 septembre 2026, qui valorise l'entreprise autour de 21 milliards d'euros selon le Blog du Modérateur. Autrement dit, Mistral a les moyens de tenir la cadence, et Large 4 est son signal le plus fort pour revenir au niveau des grands laboratoires.

Est-ce que Mistral Large 4 est vraiment au niveau ?

Il faut distinguer les chiffres de l'éditeur et les mesures indépendantes.

Selon les résultats publiés par Mistral et repris par IT Social, le modèle atteint 61,7 % sur le test de développement logiciel DeepSWE v1.1, 59,9 % sur AutomationBench (des tâches d'agent) et 93 % sur Cybench en cybersécurité.

Le banc d'essai indépendant Artificial Analysis donne une image plus nuancée. La préversion obtient 38 sur son Intelligence Index, ce qui en fait selon eux le modèle le plus performant conçu hors des États-Unis et de la Chine, au niveau de GPT-6 Luna. Mais le modèle est très bavard : il a produit environ 200 millions de tokens pour passer l'ensemble des tests, contre une médiane de 81 millions pour les modèles comparables. Résultat, le coût d'une tâche de l'index ressort à 1,13 $, ou 0,57 $ avec la remise de lancement.

Notre lecture : Large 4 n'est pas le meilleur modèle du marché, et il ne prétend pas l'être. Il ferme une bonne partie de l'écart avec les modèles de pointe américains, et il est nettement au-dessus de ce qu'un modèle européen pouvait offrir jusqu'ici. Pour la majorité des cas d'usage en entreprise (répondre à partir de documents internes, rédiger, classer, extraire des informations), ce niveau est largement suffisant. Pour du raisonnement long et pointu, les modèles fermés gardent l'avantage.

Combien coûte Mistral Large 4 ?

Deux modes d'accès coexistent, avec des logiques de coût très différentes.

Par l'API de Mistral. La page de tarifs affiche pendant le lancement 0,68 $ par million de tokens en entrée, 0,07 $ en entrée mise en cache et 2,09 $ en sortie. Le changelog de Mistral précise qu'il s'agit d'une remise de 50 % pendant deux semaines : le prix de référence est donc le double, soit environ 1,36 $ en entrée et 4,18 $ en sortie. C'est ce second chiffre qu'il faut utiliser pour un budget. IT Social note que, même à ce prix, Large 4 reste moins cher que Claude Sonnet et GPT-5.6 Terra.

En auto-hébergement. Une fois les poids publiés, le coût ne dépend plus du nombre de tokens mais du matériel. Et c'est là que le modèle devient exigeant (voir la section suivante).

Un point à ne pas oublier : la verbosité mesurée par Artificial Analysis. Un modèle qui produit deux fois plus de texte pour arriver au même résultat coûte, en pratique, plus cher que son prix au token ne le laisse croire. Avant de comparer des grilles tarifaires, on mesure toujours le coût par tâche réelle, sur ses propres données. On détaille cette méthode dans notre décomposition du coût d'un agent IA.

Peut-on héberger Mistral Large 4 chez soi ?

Oui en théorie, non pour la plupart des PME en pratique.

Le piège des modèles MoE, c'est que seule une fraction des paramètres travaille à chaque mot, mais tous doivent être chargés en mémoire. Un calcul simple suffit : 1 050 milliards de paramètres stockés sur 4 bits (une compression courante, appelée quantification) occupent environ 525 Go. Sur 8 bits, on passe à plus de 1 000 Go. Il faut ensuite ajouter la mémoire de travail, qui grossit avec la longueur des documents traités.

Concrètement, même compressé, le modèle demande un serveur équipé de huit GPU haut de gamme de 80 Go ou plus (soit 640 Go de mémoire au total), avec très peu de marge. C'est un investissement lourd, à l'achat comme en location, qui ne se rentabilise qu'avec un volume de requêtes très élevé. Pour une entreprise qui traite quelques milliers de requêtes par jour, l'API reviendra presque toujours moins cher.

Deux inconnues restent ouvertes au moment où on écrit :

• La licence. Mistral n'a pas encore publié les conditions d'utilisation des poids. Les modèles précédents de l'éditeur ont été diffusés sous des licences différentes, plus ou moins permissives. Tant que le texte n'est pas sorti, impossible de dire si un usage commercial sur ses propres serveurs sera libre ou soumis à un contrat.
• La date. L'annonce parle de la fin du mois. Une date annoncée n'est pas une date tenue, et une préversion peut encore évoluer avant la diffusion finale.

Pour la plupart des besoins de souveraineté, un modèle open weight plus petit, qui tourne sur un seul GPU, reste le choix le plus raisonnable. On compare les options dans notre guide des LLM open source pour l'entreprise.

Qu'est-ce que ça change pour la souveraineté des données ?

C'est le vrai sujet de cette annonce pour une entreprise française ou européenne.

Jusqu'ici, une organisation soumise à des contraintes fortes (données de santé, données RH, secret des affaires, marchés publics) devait choisir entre un modèle fermé performant hébergé hors d'Europe, et un modèle ouvert hébergeable mais nettement moins capable. Large 4 réduit cet arbitrage : un modèle conçu et entraîné en Europe, d'un niveau proche des modèles de pointe, et qu'on pourra faire tourner sur un cloud de confiance ou dans ses propres locaux.

Ça ne règle pas tout. Utiliser l'API de Mistral reste un transfert de données vers un prestataire, avec un contrat de sous-traitance à signer et un registre de traitements à tenir, comme pour n'importe quel fournisseur. Et héberger soi-même implique de sécuriser l'infrastructure, de tracer les accès et de documenter le système. Les règles du RGPD et de l'AI Act s'appliquent dans tous les cas, quelle que soit la nationalité du modèle. On aide justement les entreprises à cadrer ces sujets sur nos missions de conformité RGPD et AI Act.

Si vous hésitez entre cloud public, cloud qualifié SecNumCloud et serveurs internes, notre matrice de décision reste valable avec ce nouveau modèle : Large 4 ajoute une option crédible dans la colonne de droite, il ne change pas les critères.

Pour quels cas d'usage Mistral Large 4 est-il pertinent ?

Trois situations justifient de le tester dès maintenant.

Les assistants sur documents internes. Un agent qui répond aux collaborateurs à partir des procédures, contrats ou fiches produits (ce qu'on appelle un RAG, pour « génération augmentée par la recherche ») profite directement de la fenêtre d'un million de tokens et du niveau de compréhension du modèle. Quand ces documents sont sensibles, la perspective d'un hébergement européen pèse lourd. On détaille cette approche sur notre page RAG sur documents internes.

Les traitements de documents mixtes. Factures scannées, plans, formulaires remplis à la main : la lecture native des images évite de chaîner un outil de reconnaissance de caractères et un modèle de langage, et réduit les erreurs aux jointures.

Les organisations qui ont exclu les modèles américains. Pour un acteur public, un établissement de santé ou une entreprise qui a fait ce choix par politique interne, Large 4 devient l'option la plus capable disponible.

À l'inverse, pour un agent de support client à fort volume, un modèle plus petit et moins cher fera souvent aussi bien. La verbosité de Large 4 et son prix de référence en font un modèle à réserver aux tâches qui en ont vraiment besoin.

Ce qu'on en retient pour votre entreprise

Tester sur l'API, pas encore migrer. La préversion permet de mesurer la qualité sur vos propres cas pendant que la remise de lancement court. Préparez 30 à 50 questions réelles avec leurs bonnes réponses, et comparez Large 4 au modèle que vous utilisez déjà.

Budgéter au prix de référence et au coût par tâche. Ne vous fiez ni au prix promotionnel ni au prix affiché par million de tokens. Ce qui compte, c'est ce que coûte une réponse complète sur votre usage.

Attendre la licence avant tout projet d'hébergement. Le choix entre API et serveurs internes dépend des conditions qui seront publiées avec les poids. Si l'auto-hébergement d'un modèle de cette taille est hors de portée, un modèle ouvert plus compact sur un cloud de confiance reste la voie la plus réaliste.

Questions fréquentes

Mistral Large 4 est-il gratuit ?

Non, pas via l'API : il est facturé au token, avec une remise de 50 % pendant les deux semaines de lancement. Une fois les poids publiés, le modèle pourra être téléchargé, mais les conditions d'usage commercial dépendront de la licence, pas encore annoncée.

Mistral Large 4 est-il plus souverain que ChatGPT ou Claude ?

Le modèle est conçu et entraîné en Europe, et il pourra être hébergé sur l'infrastructure de votre choix, ce qui n'est pas possible avec les modèles fermés américains. Via l'API de Mistral, vos données restent toutefois traitées par un prestataire, avec les mêmes obligations contractuelles qu'ailleurs.

Une PME peut-elle faire tourner Mistral Large 4 sur ses serveurs ?

Rarement. Même compressé, il faut un serveur de huit GPU haut de gamme, ce qui représente un budget hors de portée pour la plupart des PME. Un modèle open weight plus petit ou un cloud de confiance est plus adapté.

Faut-il remplacer son modèle actuel par Mistral Large 4 ?

Pas sans l'avoir mesuré sur vos propres données. Le modèle est très bon pour un modèle européen, mais il reste derrière les meilleurs modèles fermés sur les tâches les plus complexes, et sa verbosité peut faire grimper la facture.