Mistral rilascia Mistral Large 4 "Le Chonk": modello da 1 trilione di parametri

Mistral Large 4 “Le Chonk”: 1 trilione di parametri per la cyberdifesa

Mistral AI ha rilasciato in anteprima pubblica Mistral Large 4, il suo modello più grande: 1,05 trilioni di parametri, di cui 49 miliardi attivi per token, input immagini nativo e una finestra di contesto da 1 milione di token. La scommessa del laboratorio francese non è inseguire i modelli chiusi sul terreno dei benchmark generalisti — dove resta indietro — ma presidiare i domini in cui quei modelli si rifiutano di lavorare, a partire dalla cyberdifesa. È una strategia di posizionamento, più che una rincorsa.

Un Mixture-of-Experts addestrato in Europa da zero

ML4 è un modello Mixture-of-Experts ibrido instruct-and-reasoning, con un encoder visivo da 1,6 miliardi di parametri. Solo circa il 4,7% dei pesi si attiva per token: è il meccanismo che permette a un modello da un trilione di parametri di essere servito a prezzi di fascia media. L'intero 1,05T deve però restare in memoria — il conteggio degli attivi determina il calcolo, non il costo dell'hardware.

L'addestramento è avvenuto from scratch su GPU NVIDIA Grace Blackwell nei data center europei di Mistral. Qui le fonti divergono sul numero esatto: MarkTechPost e The Decoder indicano 3.800 GPU, mentre TechCrunch e ZDNet riportano 4.000. I dati di training coprono oltre 160 lingue, incluse tutte le lingue ufficiali dell'UE. La fase di reinforcement learning post-training ha impiegato circa 3.000 GPU, generando intorno a 33 miliardi di token al giorno. L'architettura dettagliata — numero di esperti, top-k routing, layout dei layer — arriverà solo con i pesi.

Il vantaggio in cybersecurity nasce dai rifiuti degli altri

ML4 segna 93% su Cybench e 82% su CyberGym-E2E, entrando nella top 5 mondiale dell'Artificial Analysis Cyber Index. Il dato più interessante è strutturale: diversi frontier model chiusi ottengono punteggi vicini allo zero su CyberGym-E2E perché rifiutano il task. Riprodurre una vulnerabilità per dimostrare che è reale è lavoro difensivo standard, e le policy dei provider lo bloccano.

"Le capacità di cyberdifesa permetteranno a imprese e governi di difendersi da attori malevoli che aggirano i modelli chiusi per condurre attacchi informatici", ha dichiarato il co-fondatore Guillaume Lample. Pierre Stock, VP Science di Mistral, ha spiegato che durante l'anteprima l'azienda lavorerà con partner selezionati e governi "per assicurarsi che i pesi open source possano essere usati per difendere, ma non per compiere attacchi malevoli".

Sul fronte della sicurezza passiva, ML4 resiste al 93,3% degli attacchi sul benchmark B3 di Lakera e segna 1,691 su un massimo di 2,0 su KORABench.

Benchmark: balzo da 9 a 38 punti, ma il vertice è lontano

Nell'Intelligence Index di Artificial Analysis, ML4 totalizza 38 punti. È un salto notevole: Mistral Large 3 si fermava a 9 punti e Mistral Medium 3.5 a 14. Il calcolo è presto fatto — da Large 3 a Large 4 il punteggio cresce di 29 punti, un aumento di oltre quattro volte. Il divario con il vertice resta però ampio: Claude Opus 5.5 guida con 58 punti, e ML4 arriva a circa due terzi di quel valore.

Mistral rilascia Mistral Large 4 "Le Chonk": modello da 1 trilione di parametri
Dettaglio di una scheda madre con componenti e circuiti integrati. Foto di Ivan Chumak su Pexels

Sul coding agentico il punteggio combinato è 49,8%, con 61,7% su DeepSWE v1.1, 59,4% su SWE-Atlas-QnA e 28,3% su Terminal-Bench 4.0. Valutazioni condotte privatamente prima della pubblicazione dell'harness, quindi non ancora riproducibili in modo indipendente.

Più solida la valutazione umana in cieco condotta con Surge AI: 3,74 su 5, secondo di cinque modelli, davanti a GLM-5.3 (3,60) e Kimi K3 (3,59), dietro Claude Opus 5 (4,22).

ModelloParametri totaliAttivi per tokenInput immaginiPesiPrezzo API in/out per 1M
Mistral Large 41,05T49BSìFine ottobre 20261,36 / 4,18 USD
DeepSeek V4 Pro1,6T49BNoSì, su Hugging FaceVaria per provider
Kimi K32,8T~104BSìSì, dal 27 lug 20263,00 / 15,00 USD
GLM-5.3Non pubblicatiNon pubblicatiNoSì1,40 / 4,40 USD

Prezzi, pesi e la discrepanza sul listino

Secondo The Decoder, durante l'anteprima pubblica l'API è accessibile a 0,68 dollari per milione di token in input e 2,09 dollari per milione in output, con input in cache a 0,07 dollari. La documentazione ufficiale di Mistral elenca invece tariffe doppie: 1,36 dollari in input, 4,18 in output e 0,14 in cache — presumibilmente i prezzi che si applicheranno al rilascio completo.

I pesi non sono ancora disponibili. Mistral li promette per fine ottobre 2026; ZDNet indica la data del 27 ottobre. Fino ad allora niente self-hosting: si passa solo dall'endpoint pubblico, in una finestra dedicata al red-teaming con aziende di sicurezza, partner verificati e agenzie governative. La licenza sarà annunciata insieme ai pesi. La preview supporta function calling, output strutturati, document QnA, batching e gli endpoint Agents e Conversations.

Cosa cambia per un'impresa europea

Il calcolo che conta non è sul benchmark ma sul controllo. Un modello aperto i cui pesi sono rilasciati può essere ispezionato e messo in produzione in cloud privato o on-premise; un modello chiuso può essere revocato dall'oggi al domani, e con esso la capacità di difesa. Lample lo dice senza giri di parole: "Se usi un modello chiuso, non c'è garanzia che domani sarà ancora lì".

Il contesto rende l'argomento concreto. La Serie D da 3 miliardi di euro, il round più grande mai raccolto da una società tecnologica europea, finanzia l'espansione di calcolo che sorregge ML4. Mistral prevede una variante europea operata interamente su infrastruttura propria, sotto giurisdizione UE.

Mistral sostiene di aver addestrato ML4 con due o tre volte meno GPU dei concorrenti cinesi e molte meno dei concorrenti closed source, come ha dichiarato Stock. Mettendo insieme i due dati — 38 punti di intelligenza generale contro un addestramento da 3.800-4.000 GPU — emerge il vero trade-off: non competere sulla scala assoluta, ma scegliere i domini in cui addestrare. Per un'azienda europea che deve difendere codice e infrastrutture critiche, la disponibilità dei pesi entro fine ottobre vale più di venti punti di distacco su un indice generalista.

Fonti

Francesco Leone
Francesco Leone

Francesco Leone è un esperto in Intelligenza Artificiale con una profonda conoscenza in Machine Learning e Deep Learning. Attraverso la sua esperienza, ha contribuito allo sviluppo di soluzioni innovative in ambito di elaborazione del linguaggio naturale e visione artificiale, mirando a trasformare il modo in cui interagiamo con la tecnologia. Attivo nel settore con pubblicazioni e progetti su https://ital-ia.it/, Francesco si dedica alla ricerca e all'applicazione di algoritmi avanzati per rendere i sistemi più intelligenti e accessibili.

Articoli: 681

Lascia una risposta

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *