Mistral libera Le Chonk, modelo de 1 billón de parámetros

Mistral Large 4 ya tiene pesos abiertos: qué cambió en tres semanas

Mistral AI liberó los pesos de Mistral Large 4, el modelo multimodal de 1 billón de parámetros que apodó Le Chonk, tres semanas después de su preview público. La compañía sostiene que ahora es el mejor modelo de pesos abiertos para coding y para ciberseguridad defensiva, y que las mejoras siguen acelerándose "sin señales de saturación".

El salto no vino de más preentrenamiento, sino de reinforcement learning adicional sobre el mismo modelo. En Terminal-Bench 4.0, Mistral Large 4 pasó de 28% en el preview a 41%, un avance de 13 puntos porcentuales que lo deja por delante de GLM-5.3 (40%), según reportó TNW. En FrontierCode 2.0, el benchmark privado de Cognition que mide si un mantenedor de repositorio aceptaría el cambio propuesto por el agente, el modelo lidera con 19,7%.

En el Artificial Analysis Coding Agent Index marca 48%, prácticamente empatado con GLM-5.3 pero con 47% menos tokens por tarea en promedio. Ese número es el que debería importar a un equipo que corre agentes de código en producción: menos tokens por tarea es una factura mensual más baja cuando el agente trabaja durante horas.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Mistral también añadió tres modos de razonamiento —low, medium y high (por defecto)— para que el desarrollador elija cuánto "piensa" el modelo según la tarea. Los clientes de acceso anticipado, según la compañía, pedían justamente más control sobre ese trade-off entre precisión y costo.

¿Por qué Le Chonk es el modelo abierto más fuerte en ciberseguridad defensiva?

El segundo eje del lanzamiento es la seguridad. Mistral Large 4 obtiene 51% en el Artificial Analysis Cyber Index, que mide la capacidad de encontrar vulnerabilidades en un código, reproducirlas, validarlas y parchearlas sin romper la funcionalidad existente. En CyberGym-E2E, un test de bugs reales de memoria en proyectos open source de C y C++, alcanza 79%, empatando con MiMo-V2.6-Pro y superando el 76% de DeepSeek V4.1 Flash, según TNW.

El punto fino es el equilibrio: el modelo mantiene ese rendimiento defensivo con una tasa de rechazo promedio de 96,6% frente a pedidos maliciosos, la más alta que Mistral dice medir entre modelos abiertos. En el B3 Agent Security Benchmark, resiste 97,1% de los ataques, contra 93,3% en el preview.

Para founders que venden seguridad hay una señal concreta: Orange Cyberdefense es design partner y accede a una variante especializada en pentesting, evaluación de vulnerabilidades y red-teaming, con acceso sujeto a vetting y salvaguardas contractuales. Es decir, Mistral está construyendo un canal enterprise para el vertical, no solo un benchmark.

El contexto del sector ayuda a leerlo: tras el incidente de seguridad en Hugging Face, Mistral fue una de las compañías que firmó la Open Secure AI Alliance impulsada por Nvidia, una alianza que sostiene que los modelos abiertos son clave para democratizar las defensas, según ZDNET. CNET agrega que el modelo también destaca en grounding y análisis de imágenes satelitales, terreno donde la compañía afirma superar a modelos cerrados.

¿Cuánto cuesta y qué tan eficiente es?

El precio publicado es de US$0,70 por millón de tokens de entrada, US$0,07 por millón de tokens de entrada en caché y US$2,10 por millón de tokens de salida. La licencia es la Mistral Ecosystem Open-Weight, una versión modificada de MIT: se puede usar, modificar, hacer fine-tuning y comercializar, con una condición —quien opere una oferta de Model-as-a-Service debe obtener una licencia comercial aparte.

La eficiencia de cómputo es el otro argumento. Según ZDNET, el modelo se entrenó desde cero en unos 4.000 GPUs Nvidia Grace Blackwell durante dos meses, en centros de datos propios de Mistral en Europa. TNW reporta 3.800 GPUs y que el reinforcement learning corrió en cómputo propio en Francia con un consumo de unos 10 megavatios. Para dimensionar: el CEO de Nvidia, Jensen Huang, dijo en X que OpenAI entrenó GPT-6 Astra con alrededor de 100.000 GPUs, según ZDNET.

Arthur Mensch, CEO de Mistral, lo resumió así en TNW: "Otros laboratorios han levantado cientos de miles de millones para desarrollar capacidades equivalentes; en tres años, Mistral levantó alrededor de US$6.000 millones". El modelo activa 52.000 millones de sus parámetros por tarea y existe una versión cuantizada que corre en cuatro GPUs Nvidia B200 o B300, según TNW.

Soberanía: el argumento que Mistral vende a las empresas europeas

Mistral se posiciona como la alternativa soberana frente a los modelos cerrados estadounidenses y a los abiertos chinos. Pierre Stock, VP of Science de la compañía, lo planteó en TNW con una analogía: "La IA va a ser como la electricidad", y ninguna empresa debería depender de alguien que pueda cortarle el acceso "de un día para otro".

El respaldo financiero existe. En septiembre, Mistral cerró una ronda de €3.000 millones liderada por Samsung Electronics, co-liderada por el Scaleup Europe Fund de EQT y PSG Equity, a una valoración superior a €21.000 millones —casi el doble de los €11.700 millones de su ronda anterior de 2025, según Bloomberg vía The Straits Times. Yahoo Finance la describe como la mayor ronda de equity completada por una empresa tecnológica europea.

La compañía opera en 20 países, cuenta con más de 125 clientes enterprise —entre ellos Airbus, ASML y HSBC— y levantó US$830 millones en deuda para un data center en Bruyères-le-Châtel, cerca de París, equipado con 13.800 GPUs Nvidia GB300, más un segundo centro de €1.200 millones en Suecia. La meta declarada es alcanzar 200 megavatios de capacidad europea hacia fines de 2027.

¿Qué significa esto para tu startup?

Corre tu propia evaluación antes de migrar. El modelo está en Hugging Face y se despliega con vLLM o SGLang; también está disponible en Mistral Studio, la API de Mistral, OpenRouter, endpoints de Nvidia y Microsoft Foundry. Prueba tus tareas reales —no benchmarks genéricos— y compara contra el modelo que usas hoy.
Calcula el costo por tarea, no por token. El ahorro de 47% en tokens por tarea en el Coding Agent Index es el número que se traduce a tu factura. Si tu agente corre muchas horas, la diferencia entre un modelo que consume tokens sin control y uno eficiente puede ser de un orden de magnitud.
Usa los modos de razonamiento como palanca de costo. Reserva el modo high para los casos que exigen precisión y manda el trabajo trivial a low. Es la forma más rápida de bajar inferencia sin cambiar de modelo.
Si vendes SaaS sobre un modelo, revisa la licencia. La condición de MaaS es la única restricción relevante de la licencia modificada de MIT, y aplica a quien revende el modelo como servicio.
Si tienes clientes regulados, la soberanía es un argumento de venta. Poder desplegar on-premise o en tu propia nube, sin que el proveedor vea los datos, resuelve objeciones de banca, defensa o salud que un modelo cerrado no puede resolver.

Conclusión

Mistral Large 4 no es un salto de frontera en capacidad bruta: es un salto de eficiencia y de posicionamiento. La compañía apuesta a que el mercado enterprise no va a elegir al modelo más grande, sino al que puede controlar, auditar y pagar a escala. Con pesos abiertos, licencia permisiva, precio agresivo y un discurso de soberanía que ya tiene clientes como Airbus, ASML y HSBC, Mistral está construyendo un negocio distinto al de OpenAI y Anthropic —y ese hueco es real para cualquier founder que venda software a empresas reguladas.

Queda por ver si la cadencia se sostiene: Stock dijo que el objetivo no es llegar a la frontera una vez, sino "crear la cadencia de la frontera". Mistral promete versiones destiladas en los próximos meses, incluida una que corra en una laptop, aunque sin fechas comprometidas.