Mistral Large 4 ya es abierto: un billón de parámetros que empata con GLM-5.3 en código

Un billón de parámetros, un millón de tokens de contexto y los pesos descargables desde el 29 de octubre de 2026: Mistral Large 4, apodado Le Chonk, es el modelo más grande que ha hecho Mistral, entrenado entero en Europa y con licencia de uso comercial. En código empata con GLM-5.3, el mejor modelo abierto chino en esa prueba, gastando casi la mitad de tokens. En el ranking general, en cambio, sigue seis puntos por detrás.

01Qué trae Large 4

Es un Mixture-of-Experts multimodal: recibe texto e imágenes y devuelve texto. De sus ~1T parámetros, cada token activa 49.000 millones (52.000 millones si se cuentan los embeddings y las capas de salida, de ahí el A52B del nombre del checkpoint). El router elige 4 de 128 expertos por token y un experto compartido corre siempre.

Lo interesante de la arquitectura es que combina dos tipos de dispersión: la de expertos (qué red feed-forward trabaja con cada token) y la de atención, con un indexador DSA que elige hasta 2.048 posiciones anteriores para cada consulta, encima de Multi-head Latent Attention. Es la misma dirección que han tomado GLM-5.3 y DeepSeek, y es lo que hace razonable un contexto de un millón de tokens sin que la caché KV se dispare. Mistral lo entrenó desde cero en 3.800 GPU Grace Blackwell en sus propios centros de datos en Europa, y ese es el argumento de venta: IA "soberana" que puedes ejecutar en tus servidores.

Las tres semanas desde la preview pública no han sido de adorno. Con aprendizaje por refuerzo sobre tareas que el equipo iba endureciendo, Terminal-Bench 4.0 pasó del 28 % al 41 % y el coste medio por tarea del índice de Artificial Analysis bajó de 5,54 $ a 2,06 $. La velocidad subió de 111 a 161 tokens por segundo.

02Cómo probarlo

En la API de Mistral el modelo se llama mistral-large-4. Para alojarlo tú, la ficha del modelo en Hugging Face recomienda vLLM con su imagen oficial, en un nodo de ocho GPU:

docker run --runtime nvidia --gpus all \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -p 8000:8000 \
  --ipc=host \
  vllm/vllm-openai:mistral-large-4 \
  --model mistralai/Mistral-Large-4-1T-A52B \
  --tensor-parallel-size 8 \
  --tool-call-parser mistral \
  --reasoning-parser mistral \
  --enable-auto-tool-choice \
  --gpu-memory-utilization 0.85

Los dos --*-parser mistral no son opcionales: sin ellos no funcionan las llamadas a herramientas ni se separa el razonamiento de la respuesta. El servidor expone la API compatible con OpenAI, así que cualquier cliente sirve:

curl -s http://127.0.0.1:8000/v1/chat/completions \
  -H 'Content-Type: application/json' \
  -d '{"messages":[{"role":"user","content":"What is 17*23?"}],"max_tokens":512}'

La respuesta trae el razonamiento en choices[0].message.reasoning y el texto en content. Ten en cuenta que max_completion_tokens cuenta también los tokens de razonamiento.

El hardware es la barrera. Según la documentación de SGLang, la versión estándar necesita ocho Nvidia B300 y la comprimida, cuatro GB300. Hugging Face publica una receta de Inference Endpoints sobre 8× H200 con pesos FP8 y 131K de contexto, y Mistral ofrece un checkpoint NVFP4 para Blackwell. En el otro extremo, el cuantizado GGUF de 2 bits cabe en un Mac con chip Ultra y 512 GB de memoria unificada: Hugging Face midió unos 15 tokens/s de generación en un M3 Ultra, suficiente para experimentar, no para servir a un equipo.

03Frente a los modelos abiertos chinos

La comparación que importa es con lo que puedes descargar hoy. Todos los datos son de Artificial Analysis, recogidos por The Decoder:

En el Coding Agent Index, Large 4 saca un 48 %, prácticamente empatado con GLM-5.3 pero con un 47 % menos de tokens por tarea. Como referencia cerrada, Claude Code con Claude Opus 5.5 lidera ese índice con 62 puntos, y en FrontierCode 2.0 Opus 5.5 llega al 46 % frente al 19,7 % de Large 4.

04Dónde gana y dónde pierde

Gana en código barato y rápido. Empatar con GLM-5.3 gastando la mitad de tokens y a menos de la mitad de coste por tarea es lo que importa si tu caso es un agente de código que hace cientos de llamadas al día. En las comparaciones a ciegas de Surge, los evaluadores prefirieron su código al de GLM-5.3, Kimi K3 y DeepSeek la mayoría de las veces (contra Opus 5.5 solo ganó el 22 %).

Gana en control. Pesos descargables, contexto de un millón y una licencia que permite uso comercial sin pedir permiso. Para un equipo de seguridad, que el modelo no dependa de la política de uso de un proveedor que puede cortar el acceso en mitad de un incidente es un argumento real.

Pierde en el conjunto. Seis puntos por debajo de GLM-5.3 y DeepSeek V4.1 Flash en el índice general, y eso con la mejora de tres semanas de RL que solo le sumó un punto. En ciberdefensa, que Mistral vende como su punto fuerte, es tercero entre los abiertos (51 frente a 57 de DeepSeek V4.1 Flash), y más caro por tarea: 1,21 $ frente a una fracción de eso en DeepSeek.

Su ventaja en código tiene fecha de caducidad. Kimi K3.1 Pro saca un 67 % en Terminal-Bench 4.0 y Moonshot planea publicar sus pesos antes del 4 de noviembre de 2026. Mistral lo dejó fuera de sus comparativas porque aún no es abierto, pero en una semana probablemente lo sea.

Y un matiz de la licencia: si tu empresa quiere ofrecer Large 4 como servicio comercial en la nube, necesita un acuerdo aparte con Mistral. Para uso interno, modificación o integrarlo en tu producto no hay restricción.

05Veredicto

Sí, si necesitas un modelo grande que puedas alojar en Europa o en tu propia infraestructura, tu carga principal son agentes de código y te importa el coste por tarea más que el último punto de calidad. También si ya usas la API de Mistral: a 0,70 $ / 2,10 $ es una quinta parte de lo que cuesta la salida de Kimi K3.1 Pro.

No, si buscas el mejor modelo abierto en general (hoy lo son DeepSeek V4.1 Flash y GLM-5.3, y pronto Kimi K3.1 Pro) o si lo que haces es ciberseguridad y el coste importa. Y si no tienes un nodo de ocho GPU de última generación, la forma realista de usarlo es la API, con lo que la ventaja de los pesos abiertos queda en promesa.

06Fuentes

• Paris-based Mistral releases "Le Chonk," a strong coding model that still trails China overall, The Decoder, 29 de octubre de 2026.
• Welcome Le Chonk: Mistral Large 4 on Hugging Face, Hugging Face.
• mistralai/Mistral-Large-4-1T-A52B, ficha del modelo en Hugging Face.