Mistral Large 4 (Le Chonk) : notre avis sur le modèle ouvert de Mistral

Mistral Large 4 en local : quelle version sur quelle machine, à quel prix

Pour faire tourner Mistral Large 4 chez vous, il faut au minimum 256 Go de mémoire, et vous n’aurez alors qu’une version compressée. La version complète pèse 1 060,6 Go et l’exemple de service officiel utilise 8 GPU. Mistral, vLLM et Unsloth publient ces chiffres séparément : les voici réunis.

Version	Poids et mémoire	Fidélité*	Machine et prix
Unsloth 1 bit UD-IQ1_S	233 Go, 256–270 Go de mémoire	90,6 %	Mac Studio M5 Ultra 256 Go / 1 To : 10 999 € (Apple Store France, 30 octobre 2026), ou 2 DGX Spark selon Unsloth
Unsloth 2 bits UD-IQ2_XXS	302 Go, 310–390 Go de mémoire	93,9 %	Station ou serveur, prix non relevé
Unsloth 2 bits UD-Q2_K_XL	378 Go, 310–390 Go de mémoire	95,6 %	Station ou serveur, prix non relevé
Unsloth 3 bits UD-Q3_K_XL	493 Go, 435–500 Go de mémoire	96,6 %	Station ou serveur, prix non relevé
Unsloth 4 bits UD-Q4_K_XL	605 Go, 630 Go de mémoire	97,8 %	Serveur, prix non relevé
Unsloth 8 bits UD-Q8_K_XL	1 115 Go, 1,2 To de mémoire	Non publiée	Serveur, prix non relevé
Complète, sous vLLM	1 060,6 Go, selon le contexte	Référence	8 GPU Nvidia haut de gamme : centaines de milliers d’euros (ordre de grandeur, sans devis)

*« Top-1 agreement » chez Unsloth : la part des cas où la version compressée choisit le même mot suivant que l’original. Unsloth ne détaille pas sa mesure. La mémoire additionne RAM et VRAM : un serveur à 256 Go de RAM peut charger le fichier, sans garantie de vitesse. Mistral et vLLM prévoient aussi des versions NVFP4 sur 4 GPU Nvidia Blackwell et MXFP4 sur 4 GPU AMD MI350.

Quatre points changent la décision :

• Le Mac Studio n’a presque aucune marge. 233 Go de fichier dans 256 Go de mémoire laissent 23 Go au système et au contexte. Unsloth écrit que le modèle « should fit », et son exemple limite le contexte à 32 768 tokens, loin du million annoncé pour le modèle complet.
• Aucun débit local mesuré n’a été trouvé. La page d’Unsloth ne donne aucun chiffre, et cette fiche n’en a pas mesuré. Pour situer, l’API de Mistral atteint 161 tokens par seconde selon Artificial Analysis.
• 90,6 % par mot n’est pas 90,6 % de qualité. Un mot différent influence le suivant, et les écarts s’additionnent sur un long raisonnement. Tous les scores de cette page concernent le modèle servi par l’API, pas la version compressée.
• Le délai pèse aussi. Le 30 octobre 2026, Apple annonçait 13 à 15 semaines de livraison pour cette configuration, ou 345,48 € par mois sur 36 mois.

Machine ou API ? En comptant 1 € pour 1 $, à ajuster selon le taux du jour et hors taxes, 10 999 € paient environ 5 300 tâches de l’indice d’Artificial Analysis, avec le modèle complet. Une tâche d’agent de code peut consommer bien plus : 8,5 millions de tokens en moyenne sur son classement. La machine se justifie surtout par une contrainte : un cabinet d’avocats, un hôpital ou une PME dont les données ne doivent pas sortir des murs. Pour un modèle plus léger sur une machine ordinaire, passez par notre guide de l’IA locale.

Télécharger Mistral Large 4 : Hugging Face, GGUF et commande

Modèle complet. Les poids sont sur Hugging Face, dépôt Mistral-Large-4-1T-A52B, sans formulaire : 54 fichiers, poids quantifiés en FP8. Mistral recommande vLLM ou SGLang, avec un exemple sur 8 GPU.

Version compressée. Les fichiers GGUF sont chez Unsloth. Cette commande reprend l’exemple d’Unsloth, adapté à la plus petite version :

./llama.cpp/build/bin/llama-server \
    -hf unsloth/Mistral-Large-4-1T-A52B-GGUF:UD-IQ1_S \
    --ctx-size 32768 \
    --temp 1.0 --top-p 0.95 --top-k 0 --min-p 0.0 \
    --chat-template-kwargs '{"reasoning_effort":"high"}' \
    --host 127.0.0.1 --port 8080

-hf lance un téléchargement de 233 Go. Il faut une version de llama.cpp qui prend en charge le modèle, sans numéro minimal publié par Unsloth ; sa documentation donne la compilation, avec -DGGML_CUDA=OFF sur Mac. Le serveur s’ouvre sur http://127.0.0.1:8080. Cette commande n’a pas été exécutée pour cette fiche.

Ollama. Le 30 octobre 2026, sa page n’affichait que le tag mistral-large-4:cloud, qui tourne sur des serveurs distants. Sur GitHub, aucun dépôt officiel des poids n’a été trouvé : la référence est Hugging Face.

Mistral Large 4 benchmark : préversion, version finale et modèles chinois

La version finale gagne un point sur la préversion et coûte moins cher, mais DeepSeek, GLM et MiMo restent devant à l’indice général et sur FrontierCode. GPT-6 Luna, fermé, sert de repère de prix.

De la préversion à la version finale (Artificial Analysis, relevé le 30 octobre 2026) :

Mesure	Préversion	Version finale
Indice d’intelligence v5	25	26
FrontierCode 2.0	13,6 %	15,0 %
Terminal-Bench 4.0	26,8 %	24,7 %
Réponses inventées (AA-Omniscience)	41 %	28 %
Tokens écrits par tâche	135 k	82 k
Prix par M tokens (entrée / sortie)	1,36 $ / 4,18 $ à l’origine	0,70 $ / 2,10 $
Coût par tâche de l’indice	5,54 $*	2,06 $
Poids téléchargeables	Non	Oui

*Chiffre publié par Artificial Analysis à la sortie. Sa page de la préversion affiche maintenant 4,21 $, sans explication de l’écart : la baisse est de 63 % sur le premier chiffre, de 51 % sur le second.

Face aux modèles chinois, avec GPT-6 Luna comme repère :

Mesure	Mistral Large 4	DeepSeek V4.1 Flash	GLM-5.3	MiMo-V2.6-Pro	GPT-6 Luna
Indice v5	26	32	32	30	28
FrontierCode 2.0	15,0 %	28,5 %	21,6 %	24,0 %	25,2 %
Terminal-Bench 4.0	24,7 %	33,8 %	41,9 %	34,8 %	12,6 %
Agents de code	48	46	49	n. r.	n. r.
Tokens par tâche d’agent	8,5 M	16,7 M	15,9 M	n. r.	n. r.
Indice cyber	51	57	n. r.	56	n. r.
Prix entrée / sortie	0,70 / 2,10 $	0,30 / 1,20 $	1,40 / 4,40 $	0,435 / 0,87 $	0,10 / 0,50 $
Coût par tâche	2,06 $	0,60 $	5,01 $	0,26 $	0,15 $
Poids ouverts	Oui	Oui	Oui	Oui	Non

DeepSeek V4.1 Flash 1017. n. r. : non relevé. Les 7 modèles ouverts mieux notés écrivent de 113 k à 225 k tokens par tâche de l’indice, sans détail par modèle.

Trois lectures que les annonces ne donnent pas :

• Le prix par token ne suffit pas. GLM-5.3 coûte 2,4 fois plus cher par tâche : un tarif deux fois plus élevé, et le reste vient de ce qu’il consomme. La sortie seule n’explique pas tout : 82 k tokens à 2,10 $ font 0,17 $ sur les 2,06 $, et Artificial Analysis ne détaille pas le reste.
• Terminal-Bench ne confirme pas le bond annoncé. Mistral annonce 28 puis 41 %. La mesure indépendante donne 26,8 puis 24,7 %. Les conditions peuvent différer et 2 points ne prouvent pas un recul, mais le bond n’y est pas. Le modèle fait quand même deux fois mieux que GPT-6 Luna sur cette épreuve.
• Le mode moyen existe pour l’addition. Lu sur le graphique d’Artificial Analysis, à un point près : environ 23 à l’indice et 56 k tokens par tâche, contre 26 et 82 k en mode élevé.

Avis sur Mistral Large 4 : les 4 reproches à la préversion revérifiés un par un

Le bilan : un reproche corrigé, un à moitié, deux qui tiennent. Il confronte les annonces de Mistral aux mesures indépendantes, sans essai sur un projet réel.

1. Derrière sept modèles chinois : pas corrigé. La préversion affichait 38, la version finale 26, mais elle n’a pas reculé : Artificial Analysis a durci son barème. Sur le barème v5, c’est 25 puis 26. Sept modèles ouverts restent devant, tous chinois, et Gemini 4 Carbon, Claude Opus 5.5 et GPT-6 Astra sont autour de 58. La formule de Mistral reste exacte, « the highest among western open-weight models », mais son avance sur Muse Spark Open, de Meta, tient à un point.

2. Des chiffres flatteurs : toujours là. Mistral se présente premier des modèles ouverts sur FrontierCode 2.0, le test de programmation de Cognition : 19,7 %, devant DeepSeek à 19,3 %. Sur le même test, Artificial Analysis mesure 15,0 % pour Mistral et 28,5 % pour DeepSeek V4.1 Flash 1017. L’écart peut venir des outils, du temps laissé, du réglage du concurrent. Artificial Analysis publie sa méthode : 132 tâches, trois lancements chacune, 500 tours au maximum. On ne connaît pas toutes les conditions du test de Mistral.

3. Bavard, donc cher : à moitié corrigé. Il écrit 39 % de tokens en moins, et le tarif promotionnel du lancement est devenu le prix normal. Le coût par tâche passe de 5,54 $ à 2,06 $, sans qu’on puisse répartir la baisse entre tarif et consommation : Artificial Analysis publie deux points de départ différents. GPT-6 Luna fait pourtant 28 pour 0,15 $ la tâche, près de 14 fois moins, et DeepSeek 32 pour 0,60 $, 3,4 fois moins.

4. Pas téléchargeable, licence inconnue : corrigé. Les poids sont publics et la licence est lisible. Mistral a aussi ajouté trois semaines d’apprentissage par renforcement à la préversion, dont il écrivait qu’elle n’avait pas fini son entraînement.

La vidéo sur la préversion, du 7 octobre 2026, où ces quatre reproches sont posés :

Licence MEOW de Mistral Large 4 : ce qui est permis

La licence de Mistral Large 4 permet tout usage, y compris commercial, sauf vendre de l’accès au modèle sans contrat. Mistral la présente comme une MIT modifiée.

Vous voulez…	Permis ?
L’utiliser en interne, quelle que soit la taille de l’entreprise	Oui
Le modifier ou le réentraîner sur vos données	Oui
L’intégrer à une fonction de votre logiciel et vendre ce logiciel	Oui
Relayer des requêtes vers un modèle hébergé ailleurs	Oui
Donner à des tiers un accès au modèle avec un vrai contrôle sur les entrées, les paramètres ou l’entraînement	Licence commerciale obligatoire

Le point à lire de près, dans le texte de la licence : si vous ou l’une de vos sociétés affiliées exploitez une activité de Model-as-a-Service, il faut un contrat avec Mistral avant d’utiliser le modèle. L’usage interne et l’usage via les produits officiels de Mistral restent exclus. Le mot « affiliates » n’y est pas défini et aucun seuil de chiffre d’affaires ne figure. Gardez aussi la mention « 2026 - Mistral ». Un groupe qui possède un hébergeur doit faire relire ce point : ceci n’est pas un avis juridique.

Autre point réglementaire : un chercheur de Mistral annonce 10^25 opérations de calcul pour l’entraînement. C’est pile le seuil de l’article 51 de l’AI Act, au-delà duquel un modèle est présumé à risque systémique, avec des obligations pour son fournisseur.