Mistral Large 4: la preview open-weight que todavía no podés descargar

1. Qué lanzó Mistral y qué sigue siendo una promesa

Mistral Large 4 es un Mixture-of-Experts granular con 1,05T de parámetros totales y 52B activos más un encoder de visión de 1,6B, según la model card de Mistral (versión v26.10, estado Public Preview, fechada el 6 de octubre). Mistral dice que lo entrenó desde cero en 3.800 GPUs NVIDIA Grace Blackwell en sus propios datacenters europeos y que la preview se sirve en esa misma infraestructura.

La palabra a vigilar es “open-weight”. El post de Mistral dice que “liberará los pesos antes de fin de mes” y la model card lo etiqueta como Open, pero hoy no hay nada descargable ni se nombró ninguna licencia. Tratá todo lo de self-hosting como un plan, no como un hecho.

2. Qué mejora frente a Mistral Large 3

El post de lanzamiento de Mistral no compara Large 4 con Large 3, así que puse las dos fichas lado a lado. Large 3 (repo de Hugging Face Mistral-Large-3-675B-Instruct-2512, publicado en noviembre de 2025) es un MoE de ~675B totales / ~41B activos con ventana de 256K, liberado bajo Apache 2.0 según su card.

Large 4 crece en tres ejes: aproximadamente 1,5x los parámetros totales, ~27% más parámetros activos y, en papel, cuatro veces el contexto. Además integra el razonamiento en el mismo modelo. No es más barato: el ejemplo de la página de precios de Mistral todavía cotiza Mistral Large a $0.50 / $1.50 por 1M de tokens, así que incluso el precio de oferta de $0.68 / $2.09 es ~1,4x eso, y el de lista ~2,7x.

Las tres diferencias reales

3. Evidencia: números del vendor y números independientes

La mayoría de los números del post de lanzamiento son de la propia Mistral, y el post no dice con qué configuración de razonamiento se obtuvieron. Leelos como dirección, no como ranking.

Las señales independientes son más finas. Artificial Analysis puntúa la preview con 38 en su Intelligence Index (puesto 65 de 216 en su página, mediana de la clase 27) y reporta unos 200M de tokens de salida para correr el índice contra una mediana de 85M: es un modelo verboso. Simon Willison, que probó la API, lo ubica apenas detrás de DeepSeek V4.1 Flash en ese índice y dice que no es nivel Fable.

4. Quickstart sacado de las docs de Mistral

La preview habla la misma API de chat completions que el resto de los modelos de Mistral. Instalá el SDK oficial (mistralai en PyPI, 3.2.0 publicado el 9 de octubre de 2026, Python 3.10+; el paquete de JavaScript @mistralai/mistralai está en 2.7.0) y creá una API key en Mistral Studio.

Antes de conectarlo a nada, hacé dos cosas: listá los modelos que ve tu key y leé la ventana de contexto que la API realmente reporta. El model ID aparece como mistral-large-4-0 en la model card y en la guía de reasoning, y como mistral-large-4 en el changelog, así que dejá que la API lo resuelva.

# pip install mistralai
import os
from mistralai.client import Mistral

with Mistral(api_key=os.environ["MISTRAL_API_KEY"]) as mistral:
    res = mistral.models.list()
    for m in res.data:
        if m.id.startswith("mistral-large-4"):
            print(m.id, m.aliases, m.max_context_length)

import os
from mistralai.client import Mistral
from mistralai.client.models import TextChunk, ThinkChunk

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

resp = client.chat.complete(
    model="mistral-large-4-0",   # confirmalo con models.list()
    messages=[{"role": "user", "content": "Encontrá la race condition en este handler: ..."}],
    reasoning_effort="high",     # valores documentados: "high" | "none"
)

content = resp.choices[0].message.content
if isinstance(content, str):     # "none" devuelve un string plano
    print(content)
else:                            # "high" devuelve chunks de thinking + texto
    for chunk in content:
        if isinstance(chunk, TextChunk):
            print(chunk.text)    # la respuesta final
        elif isinstance(chunk, ThinkChunk):
            pass                 # traza de razonamiento: guardala, no la muestres

print(resp.usage)                # mirá cuántos tokens costó realmente "high"

5. Límites honestos

Large 4 es una preview con intenciones open-weight. Estos son los límites que pondría delante de un equipo antes de que lo elija.

6. Qué hacer antes de que salgan los pesos

Tomá las próximas dos semanas como una ventana de evaluación gratis, no como una migración. Nada de lo que sigue necesita los pesos.

Veredicto

Mistral Large 4 es un modelo creíble, alojado en la UE, de clase billón de parámetros, con una promesa open-weight clara y un perfil de código que los propios números de Mistral ubican por debajo de los mejores modelos cerrados. Al 14 de octubre es una preview que podés probar, no un modelo abierto que podés correr.

Evaluálo por API esta semana con tus propios prompts y control de tokens, dejá tu modelo actual como fallback y volvé cuando aparezcan los pesos y una licencia con nombre. Si no llegan antes de fin de octubre, planificá como si fuera un modelo hosteado.