Mistral Large 4 abre pesos abiertos para código

El 29 de octubre de 2026, Mistral abrió los pesos de Mistral Large 4, también llamado Le Chonk. Los desarrolladores pueden descargar, adaptar y operar el modelo en su propia infraestructura.

El anuncio interesa a quien crea agentes de código y herramientas defensivas. Además de nuevos resultados de benchmark, Mistral detalla opciones de ejecución y reconoce límites de seguridad aún en ajuste.

En este artículo vas a ver:

• Lo que cambió con la apertura de los pesos
• Cómo interpretar los resultados de código y ciberseguridad
• Cuáles son las opciones de licencia y ejecución
• Cómo probar el modelo hoy

Lo que cambió con Mistral Large 4 el 29 de octubre

Large 4 entró en previa pública a principios de mes. La novedad del 29 de octubre es la liberación de los pesos de una versión mejorada con nuevas rondas de entrenamiento por refuerzo.

Entrenamiento por refuerzo usa señales de calidad para mejorar respuestas y acciones en tareas específicas. Mistral afirma que trabajó por tres semanas más después de la previa pública.

El modelo tiene un billón de parámetros y acepta entradas multimodales, como texto e imagen. Mistral lo describe como un modelo híbrido de instrucción y razonamiento basado en expertos.

En ese diseño, una mezcla de expertos activa partes diferentes del modelo según la tarea. Mistral aún no publicó el informe técnico completo, así que la descripción de arquitectura se limita al anuncio y a la tarjeta del modelo.

Pesos abiertos no significan dominio público. Mistral Ecosystem Open Weight es una licencia modificada de MIT, con condiciones propias para empresas que operen el modelo como servicio hospedado.

Mistral permite uso, modificación, ajuste fino y comercialización dentro de los términos de la licencia. Las organizaciones también pueden inspeccionar los pesos y ejecutar el modelo sin depender de una API del proveedor.

El cambio complementa la asociación anterior entre Mistral y NVIDIA para flujos de ingeniería.

Ese anuncio trataba de colaboración y evaluaciones futuras, no de la apertura de los pesos de Large 4.

Los benchmarks de código miden tareas diferentes

En FrontierCode 2.0, evaluación privada de Cognition para cambios completos en repositorios, Mistral informa 19,7%. El criterio considera si un mantenedor aceptaría integrar la alteración propuesta por el agente.

Como la prueba es privada, otros equipos no pueden reproducirla exactamente. El resultado debe leerse como dato divulgado por Mistral, no como prueba independiente de que el modelo gana en todo proyecto.

En Artificial Analysis Coding Agent Index, la empresa informa 48%, resultado que describe como empatado con GLM 5.3 entre modelos de pesos abiertos. Mistral también reporta uso promedio de 47% menos tokens por tarea.

Tokens son unidades de texto procesadas por el modelo. Usar menos tokens puede reducir trabajo de inferencia, pero no mide por sí solo la calidad de la corrección, el respeto a las reglas del repositorio o la revisión humana necesaria.

En Terminal Bench 4.0, Mistral reporta 41%, mejora de 13 puntos porcentuales sobre la previa pública, con 30% menos tokens de salida. El benchmark se enfoca en tareas de terminal y no sustituye una prueba en tu propio flujo.

Para una comparación local, mantén el mismo repositorio, las instrucciones, las herramientas y el límite de intentos. Registra también el criterio de éxito para separar una corrección útil de una respuesta solo convincente.

Qué dicen los resultados de ciberseguridad y qué no dicen

En el Artificial Analysis Cyber Index, Mistral informa 51%. Según la empresa, el índice mide el descubrimiento y la validación de vulnerabilidades y la producción de correcciones que no rompan funciones existentes.

La empresa también reporta una tasa de rechazo promedio del 96,6% en solicitudes cibernéticas maliciosas en los conjuntos evaluados. Mistral dice que este resultado es el más alto que ha medido entre modelos abiertos, pero depende de las solicitudes y condiciones de la prueba.

En el B3 Agent Security Benchmark, Mistral reporta resistencia al 97,1% de los ataques, frente al 93,3% de la previa. Son resultados divulgados por la proveedora y no garantizan que todo agente creado con el modelo sea seguro.

La propia Mistral dice que observó un posible aumento de capacidad para ataques reales durante el uso monitoreado.

Afirma que está ajustando las protecciones y que el acceso a una variante cibernética especializada exige análisis y salvaguardas contractuales.

Trata el modelo como un componente a evaluar, no como una barrera de seguridad lista. Restringe permisos, prueba solo sistemas propios o autorizados y revisa los cambios antes de integrar código.

Separar las tareas en carpetas o branches también reduce la interferencia entre agentes.

La guía sobre agentes en paralelo con Git worktrees explica este tipo de aislamiento.

Cómo ejecutar y ajustar Mistral Large 4

Mistral ofrece tres modos de razonamiento. El bajo está indicado para tareas simples, el medio para el uso cotidiano y el alto, por defecto, para casos que requieren más precisión.

Para experimentar sin hospedar pesos, la página oficial apunta a Mistral Studio, API de Mistral y OpenRouter. Revisa en la documentación de cada servicio la configuración y la disponibilidad actuales.

Para ejecución propia, descarga los pesos en Hugging Face y consulta las instrucciones para vLLM o SGLang. El anuncio también menciona un contenedor NVIDIA NIM y bibliotecas NVIDIA para personalización e inferencia.

Antes de comenzar, revisa la licencia, la memoria disponible y la tarjeta del modelo. Como el informe técnico completo todavía está por venir, algunos detalles de arquitectura y evaluación pueden aclararse después.

Prueba una tarea representativa del producto, no solo un ejemplo simple. Compara calidad, fallas, intervención humana y uso de herramientas, manteniendo registro de la versión, del prompt y del entorno.