A Mistral AI anunciou nesta terça-feira, 6 de outubro de 2026, a prévia pública do Mistral Large 4, também conhecido pela sigla ML4 e apelidado internamente de Le Chonk. Trata-se de um modelo de arquitetura MoE (Mixture of Experts, ou mistura de especialistas), formato que divide a rede em blocos especializados dos quais apenas uma parte é ativada a cada palavra processada. No caso do ML4, são 1,05 trilhão de parâmetros totais, com 49 bilhões ativos por token, além de um codificador visual de 1,6 bilhão de parâmetros e uma janela de contexto de 1 milhão de tokens, ou seja, a quantidade de informação que o modelo consegue considerar ao mesmo tempo em uma conversa.
A arquitetura combina instruções e raciocínio em um único modelo híbrido e aceita imagens como entrada de forma nativa. Como apenas cerca de 4,7% dos pesos são ativados por token, o ML4 consegue operar com preço intermediário apesar de pertencer à classe de 1 trilhão de parâmetros. A empresa ainda não divulgou o número de especialistas, o esquema de roteamento nem o layout das camadas; esses detalhes devem chegar junto com os pesos do modelo. O treinamento foi feito do zero em 3.800 GPUs NVIDIA Grace Blackwell instalados em datacenters europeus próprios da Mistral, com dados que abrangeram mais de 160 idiomas, incluindo todas as línguas oficiais da União Europeia.
Os resultados mais chamativos estão na área de cibersegurança. A Mistral reporta 93% de aproveitamento no Cybench e 82% no CyberGym-E2E, o que coloca o ML4 entre os cinco primeiros do ranking mundial no Artificial Analysis Cyber Index. O ponto mais relevante, porém, é estrutural: segundo a empresa, vários modelos fechados de fronteira pontuam perto de zero no CyberGym-E2E porque simplesmente se recusam a executar a tarefa. Reproduzir uma vulnerabilidade para provar que ela existe é um trabalho defensivo padrão, e as recusas impostas pelos provedores bloqueiam justamente essa atividade.
Em programação agêntica, campo em que o modelo executa tarefas de código de forma autônoma, o ML4 obteve 61,7% no DeepSWE v1.1, 59,4% no SWE-Atlas-QnA e 28,3% no Terminal-Bench 4.0, somando um índice combinado de 49,8% no Artificial Analysis Coding Agent Index. A própria Mistral reconhece que essas avaliações foram feitas em caráter privado, antes de a ferramenta de medição se tornar pública, e portanto ainda não são reproduzíveis de maneira independente.
O sinal considerado mais honesto pela reportagem original veio de uma avaliação humana cega conduzida com a Surge AI. Anotadores profissionais deram ao ML4 Preview nota 3,74 de 5, colocando o modelo em segundo lugar entre cinco concorrentes. Ele ficou à frente do GLM-5.3, que recebeu 3,60, e do Kimi K3, com 3,59, mas atrás do Claude Opus 5, líder com 4,22. Em segurança, o modelo resiste a 93,3% dos ataques no benchmark B3 da Lakera e alcançou 1,691 ponto de um máximo de 2,0 no KORABench.
Diante dos rivais de pesos abertos, o ML4 chega com um total de parâmetros menor que o do DeepSeek V4 Pro, que tem 1,6 trilhão, e bem abaixo dos 2,8 trilhão do Kimi K3, embora o ativo por token seja igual ao da DeepSeek, de 49 bilhões, contra cerca de 104 bilhões do Kimi. Todos os três concorrentes oferecem janela de 1 milhão de tokens. A diferença mais importante é a disponibilidade: os pesos do DeepSeek V4 Pro já estão no Hugging Face, os do Kimi K3 foram liberados em 27 de julho de 2026 e os do GLM-5.3 também estão acessíveis, enquanto os do ML4 só devem ser publicados no fim de outubro de 2026, o que impede a auto-hospedagem por enquanto. A licença do modelo da Mistral também ainda não foi anunciada, ao contrário das licenças MIT da DeepSeek, MIT modificada da Kimi e licença própria do GLM-5.3.
Enquanto os pesos não saem, o acesso é feito pela API de prévia, já ativa e cobrada em 1,36 dólar por milhão de tokens de entrada e 4,18 dólares por milhão de tokens de saída, valores próximos aos praticados pelo GLM-5.3 e bem abaixo dos 3 e 15 dólares do Kimi K3. O serviço já suporta chamada de funções, saídas estruturadas, perguntas e respostas sobre documentos, processamento em lote e os endpoints de Agentes e Conversas. Um detalhe econômico relevante é o preço da entrada em cache, de 0,14 dólar por milhão de tokens, valor que altera de forma significativa o custo de loops de agentes de contexto longo em uma janela de 1 milhão.
O Mistral Large 4 chega como um modelo de 1,05 trilhão de parâmetros com 49 bilhões ativos, contexto de 1 milhão de tokens e visão nativa, forjado em infraestrutura europeia da própria Mistral. O anúncio completo está disponível no blog oficial da Mistral AI, os detalhes técnicos constam da documentação de modelos da empresa e as comparações entre modelos podem ser consultadas no site da Artificial Analysis.
