Avec‍‍‍ Large 4, Mistral se rapproche des modèles d’IA américains et chinois

Sur la planète de l’intelligence artificielle, Mistral ressemble au village gaulois de la célèbre bande dessinée. L’entreprise résiste face aux acteurs américains et chinois. Sa dernière avancée : Mistral Large 4.

En termes chiffrés, que vaut sa dernière potion magique appelée Mistral Large 4 ? Ce modèle nativement multimodal de 1 000 milliards de paramètres est doté de 52 milliards de paramètres actifs (ou token). ML4 a été entraîné à partir de zéro sur 3 800 GPU de NVIDIA dans les propres datacenters en Europe de Mistral. C’est le modèle le plus grand et le plus performant à ce jour pour l’entreprise française.

Mais, en vérité, ces chiffres ne disent pas grand-chose des dessous de la course aux modèles de langage. Car la taille d’un LLM (Large Language Model) n’est plus un critère déterminant.

L’étape majeure est aujourd’hui le Reinforcement Learning (RL), ou apprentissage par renforcement en français. Il s’agit d’une branche du machine learning : un agent apprend à prendre des décisions en interagissant avec un environnement et en recevant des récompenses ou des punitions selon ses actions.

Le RL consiste donc à maximiser une récompense cumulative. C’est l’approche la plus proche de la façon dont les humains et les animaux apprennent naturellement.

Mistral a choisi d’en faire une spécialité. En juin 2025, Mistral avait lancé Magistral, son premier modèle de raisonnement. Contrairement à un chatbot classique qui répond en une passe, Magistral produit une longue chaîne de pensée avant de donner sa réponse.

L’entreprise a présenté sa chaîne complète d’étapes qui permet d’entraîner un modèle par apprentissage par renforcement. Elle a été conçue pour être scalable^[1], c’est-à-dire d’accroître considérablement sa taille, sa charge ou son volume d’activité.

Large 4 est son héritier : selon Mistral, il a été entraîné dans le même environnement qu’elle commercialise sous le nom de Forge (sa plateforme d’entraînement de modèles d’IA lancée par Mistral en mars 2026).

Large 4 se rapproche des Chinois

Quelques éléments publiés permettent d’éclairer la méthode. Une seule boucle de renforcement regroupe une grande diversité de skills : de la conversation, de la résolution de problèmes scientifiques, des skills de sécurité, de la vérification factuelle, de l’usage d’outils. Le tout dans des environnements partagés : des bacs à sable pour du code, des recherches sur le web, du code, des recherches sur le web, des pops^[2] pour l’utilisation d’API^[3].

Large 4 est encore en évolution. Mistral attend des améliorations dans les semaines et mois à venir. De quoi rattraper les laboratoires chinois ? Sur l’Artificial Intelligence Performance Index d’Artificial Analysis, Large 4 obtient 38  points, soit le niveau de GPT-6 Luna^[4].

Mais, il reste devancé par trois modèles open-weight chinois moins chers : MiMo-V2.6-Pro (46 points), GLM-5.3-Flash (42 points) et DeepSeek V4.1 Flash (39 points). Un modèle open-weight est un modèle d’IA dont les poids (les paramètres numériques appris pendant l’entraînement) sont publiquement téléchargeables, afin que n’importe qui puisse l’utiliser, l’inspecter et le déployer sur sa propre infrastructure.

Il ne faut donc pas le confondre avec un modèle open source. Un modèle open-weight met uniquement à disposition ses poids, c’est-à-dire les paramètres appris durant l’entraînement. En revanche, les données d’entraînement et le code précis de conception du modèle restent fermés.

Mistral a cependant de quoi être fier : il est le modèle open-weight le plus performant développé hors des États-Unis et de la Chine. Il devance également tous les modèles ouverts américains. C’est déjà énorme. Son modèle Large 3 n’avait pas réussi à faire mieux que 9 points !

Selon l’entreprise, ML4 excelle en codage, workflows agentiques et compréhension multimodale, avec des résultats de pointe en cybersécurité, finance et industrie.

La cybersécurité étant devenue un enjeu majeur pour les entreprises et les éditeurs, il est également intéressant de noter que Large 4 résout 82 % des tâches du benchmark CyberGym-E2E, dédié aux vulnérabilités mémoire dans les projets de langages de programmation C et C++, soit le meilleur score parmi les modèles accessibles au public.

---

[1] capable de passer à l’échelle

[2] terme couramment utilisé par les développeurs dans le sens de « apparaître / survenir », c’est-à-dire un « appel »

[3] une interface de programmation permettant d’accéder à des données

[4] modèle d’IA développé par OpenAI et lancé le 22 septembre 2026