Mistral libera pesos do Large 4, modelo de 1 trilhão de parâmetros para código

O que a Mistral lançou

A Mistral, empresa francesa de IA, publicou em 29 de outubro de 2026 os pesos do Large 4, apelidado internamente de "Le Chonk", no Hugging Face. O lançamento vem três semanas depois da prévia pública do modelo, segundo a reportagem do The Decoder.

O modelo recebe texto e imagem como entrada e devolve texto e código. Ele tem cerca de 1 trilhão de parâmetros no total, mas só 52 bilhões ficam ativos a cada passo de processamento. Essa arquitetura, chamada de mistura de especialistas (MoE, na sigla em inglês), divide o modelo em vários blocos especializados e ativa só uma fração deles por vez. Na prática, isso barateia a inferência (o processo de gerar uma resposta) sem abrir mão da capacidade de um modelo grande.

Rodar o Large 4 na própria infraestrutura não é trivial. Segundo a documentação do framework de inferência SGLang, a versão padrão exige oito GPUs Nvidia B300, e uma variante mais comprimida roda em quatro GB300. São chips de datacenter fora do alcance da maioria das empresas, o que empurra quem quiser usar o modelo para a API da Mistral ou para plataformas como o Microsoft Foundry.

Licença livre, com uma ressalva para quem revende

A Mistral distribuiu o Large 4 sob uma licença MIT modificada. Usar, modificar e colocar em produção comercial é livre. Mas empresas que quiserem oferecer o Large 4 como serviço de nuvem comercial (ou seja, revender acesso ao modelo via API própria) precisam de uma licença separada, negociada direto com a Mistral. É uma diferença importante para quem pensa em empacotar o modelo dentro de um produto de SaaS.

A empresa posiciona o Large 4 como IA "soberana", já que foi treinado inteiramente na Europa e pode rodar em servidor próprio. Para equipes brasileiras preocupadas com residência de dados e LGPD, esse é o argumento central de venda, ainda que a exigência de hardware torne o autohospedagem inviável para a maioria.

Treinamento extra elevou código, mas pouco mudou no geral

Depois da prévia, a Mistral continuou treinando o modelo com aprendizado por reforço (RL), técnica em que o sistema aprende repetindo tarefas e recebendo nota pelo resultado. Os pesquisadores Pierre Stock e Corentin Petit explicaram, em entrevista coletiva à imprensa, que a equipe criou tarefas internas que ficavam mais difíceis conforme o treino avançava, e que o único limite de desempenho era a capacidade do time de criar e verificar desafios ainda mais complexos. A empresa descreve o processo como uma aposta de dois anos que começa a dar retorno.

Em código, Large 4 lidera entre os abertos, mas perde para a Claude

No Terminal-Bench 4.0, benchmark que testa agentes de código em ambiente de terminal, a nota do Large 4 subiu de 28% para 41% nas três semanas extras de treino, ficando à frente do GLM-5.3 (40%). No Coding Agent Index da Artificial Analysis, o Large 4 marca 48 pontos, empatando tecnicamente com o GLM-5.3, mas usando 47% menos tokens para chegar lá, o que importa direto no custo de rodar agentes em produção. Quem lidera o índice é o Claude Code com Claude Opus 5.5, com 62 pontos.

No FrontierCode 2.0, benchmark novo da Cognition, o Large 4 lidera entre os modelos abertos com 19,7%, mas o Claude Opus 5.5 marca 46%, mais que o dobro. Em comparações cegas feitas pela Surge, testadores preferiram o código do Large 4 ao do GLM-5.3, do Kimi K3 e do DeepSeek na maioria das vezes. Contra o Opus 5.5, porém, o Large 4 venceu só 22% dos confrontos.

Tem uma ausência relevante nessas comparações: o Kimi K3.1 Pro, da Moonshot, não entra porque seus pesos ainda não são públicos, com lançamento previsto para 4 de novembro de 2026. No Terminal-Bench 4.0, o Kimi K3.1 Pro já marca 67%, bem acima dos 41% do Large 4. Ou seja, a liderança entre abertos em código deve durar menos de uma semana: os pesos do Kimi K3.1 Pro saem só seis dias depois dos do Large 4.

Em cibersegurança, a Mistral promete liderança e entrega terceiro lugar

A Mistral chama o Large 4 de modelo aberto líder em defesa cibernética, citando 51% no Cyber Index da Artificial Analysis, índice que mede se um modelo consegue achar, reproduzir e corrigir falhas de segurança em um código sem quebrar funcionalidades existentes. O próprio gráfico divulgado pela empresa, porém, mostra dois modelos abertos à frente: o DeepSeek V4.1 Flash, com 57%, e o MiMo-V2.6-Pro, com 56%. Isso coloca o Large 4 em terceiro lugar entre os abertos, só à frente do GLM-5.3 Flash (50%). O líder do índice completo é o Kimi K3.1 Pro, com 64%.

O treino extra quase não mexeu nesse número: a prévia já marcava 50 pontos, e a versão final ficou só um ponto acima. Em custo, o Large 4 sai por 1,21 dólar por tarefa no índice, bem mais caro que o DeepSeek V4.1 Flash, que pontua mais e custa uma fração disso.

O ponto forte aqui é a recusa de pedidos maliciosos: 96,6% das solicitações de ataque cibernético são rejeitadas, taxa mais alta entre os modelos abertos, segundo a Mistral. A empresa reconhece, porém, que o modelo pode facilitar ataques reais e planeja reforçar as salvaguardas nos próximos meses. Parceiros selecionados, como a Orange Cyberdefense, já testam uma versão especial para testes de invasão (pentest), com acesso mediante revisão e restrições contratuais.

Preço e velocidade são o trunfo real do modelo

Via API, o Large 4 custa 0,70 dólar por milhão de tokens de entrada e 2,10 dólares por milhão de saída. Na prévia, o preço de tabela era 1,36 e 4,18 dólares; a Mistral já tinha dado um desconto de lançamento para 0,68 e 2,09 dólares por duas semanas, então o preço final praticamente repete aquele desconto. Para comparação, o Kimi K3.1 Pro custa 2 dólares de entrada e 10 de saída.

Em velocidade, o modelo gera 161 tokens por segundo, contra 111 da prévia. No comparativo da Artificial Analysis, só o DeepSeek V4.1 Flash e o Muse Wonder são mais rápidos. O custo médio por tarefa no índice geral caiu de 5,54 para 2,06 dólares, tornando o Large 4 mais barato que o GLM-5.3 (5,01 dólares) e o Kimi K3.1 Pro (3,68 dólares), mas ainda mais caro que o DeepSeek V4.1 Flash (0,60 dólar) e o MiMo-V2.6-Pro (0,26 dólar).

A eficiência de tokens também melhorou: o Large 4 gerou 110 milhões de tokens de saída para completar todo o índice, contra 150 milhões na prévia. A mediana dos modelos comparáveis é 100 milhões, então o Large 4 ainda gasta um pouco mais que a média, mas já fechou boa parte da distância.

No índice geral, a distância para China e EUA segue grande

A Artificial Analysis lançou a versão 5 do seu Índice de Inteligência na quarta-feira anterior ao lançamento dos pesos, recalibrando as notas de todos os modelos. Nessa nova escala, a versão final do Large 4 marca 26 pontos, contra 25 da prévia: só um ponto a mais depois de três semanas de treino extra. A mediana dos modelos abertos de tamanho parecido é 23, então o Large 4 fica acima da média, mas longe dos melhores abertos chineses: DeepSeek V4.1 Flash e GLM-5.3 marcam 32 pontos cada, e o MiMo-V2.6-Pro, 30.

Na escala antiga do índice, a diferença já existia: a prévia marcava 38 pontos e o GLM-5.3, 45. Ou seja, o hiato entre Mistral e os modelos chineses não é novo, só mudou de régua. No topo geral do ranking, o Gemini 4 Carbon lidera com 59 pontos, um à frente do Claude Opus 5.5, mas por enquanto só parceiros selecionados de cibersegurança têm acesso ao Gemini 4 Carbon. Entre os modelos abertos, quem lidera é o Kimi K3.1 Pro, com 46 pontos, mas seus pesos ainda não foram liberados.

Na entrevista coletiva, a equipe da Mistral reconheceu trabalhar com uma fração dos recursos de laboratórios dos Estados Unidos e da China, e disse que estaria no topo do índice com dez vezes mais capital. A empresa descreve o Large 4 como base para modelos especializados futuros, mas não quis comentar se vai lançar versões menores construídas sobre ele.

O que muda para quem desenvolve no Brasil

Para equipes de TI avaliando o Large 4, três pontos pesam mais que o hype em torno do lançamento:

• Autohospedagem é para poucos. Rodar o modelo exige oito GPUs B300 ou quatro GB300 da Nvidia, hardware de datacenter fora do orçamento da maioria das empresas brasileiras. Na prática, o caminho realista é via API da Mistral ou provedores como o Microsoft Foundry.
• A licença tem letra miúda. Usar e modificar o modelo é livre, mas quem pensa em revender acesso ao Large 4 dentro de um produto próprio de nuvem precisa negociar licença separada com a Mistral. Vale checar isso antes de embarcar o modelo num SaaS.
• Eficiência de token pesa no bolso. Para quem roda agentes de código em produção, gastar 47% menos tokens que o GLM-5.3 para nota parecida no Coding Agent Index pode significar fatura bem menor em escala, mesmo com preço por token um pouco acima da média dos abertos.

Vale acompanhar o lançamento dos pesos do Kimi K3.1 Pro, previsto para 4 de novembro de 2026: com 67% no Terminal-Bench 4.0 contra os 41% do Large 4, ele deve virar a referência em código entre os modelos abertos assim que ficar disponível para teste.

Fonte: The Decoder