Mistral Large 4 es el nuevo modelo de frontera de Mistral AI. La compañía francesa lo presentó el 6 de octubre de 2026 como una vista previa pública orientada a razonamiento, programación, agentes, ciberseguridad y comprensión multimodal. Su arquitectura combina aproximadamente 1,05 billones de parámetros totales con 49.000 millones de parámetros activos por token, además de un codificador de visión de 1.600 millones de parámetros.
La cifra total impresiona, pero la parte más útil para entender el modelo es la relación entre parámetros totales y activos. Mistral Large 4 utiliza una arquitectura Mixture-of-Experts (MoE): dispone de una capacidad enorme repartida entre expertos, pero no activa toda la red en cada token. Eso permite buscar un equilibrio entre capacidad, coste y velocidad distinto al de un modelo denso del mismo tamaño total.
La otra novedad importante es estratégica. Mistral anuncia que los pesos se publicarán a finales de octubre —la versión francesa del anuncio concreta el 26 de octubre—, mientras que la API ya está disponible en vista previa pública. Es decir, el modelo nace con una doble propuesta: servicio gestionado hoy y mayor control de despliegue cuando lleguen los pesos.
Qué es Mistral Large 4 y por qué importa
Mistral Large 4, identificado en la documentación como mistral-large-4, es un modelo generalista multimodal preparado para texto e imagen. La documentación oficial le atribuye una ventana de contexto de 1 millón de tokens y compatibilidad con salidas estructuradas, llamadas a funciones, preguntas sobre documentos, conversaciones con agentes y herramientas integradas.
Ese conjunto de capacidades lo sitúa en una categoría distinta a la de un chatbot puramente conversacional. El objetivo es que pueda participar en flujos de trabajo largos: analizar documentos, escribir y revisar código, utilizar herramientas, mantener contexto durante procesos complejos y combinar texto con información visual.
La tendencia hacia modelos de gran contexto y capacidades agentivas ya se observa en otros lanzamientos. En FormateConIA explicamos recientemente cómo Reflection Beam combina 501B de parámetros totales con solo 23B activos por token. Mistral Large 4 sigue una lógica parecida de eficiencia MoE, aunque con una escala total mayor y un componente multimodal nativo.
1,05 billones de parámetros y 49B activos: qué significa realmente
Cuando un fabricante anuncia un modelo con más de un billón de parámetros, es fácil interpretar que todos participan en cada respuesta. En una arquitectura MoE no funciona así. El sistema dispone de muchos expertos y un mecanismo de enrutamiento decide cuáles se activan para procesar cada token.
En Mistral Large 4 el total indicado es de aproximadamente 1,05T parámetros, pero la ruta activa por token se sitúa en 49B. La diferencia es enorme. El tamaño total representa capacidad almacenada; el tamaño activo se acerca más a la cantidad de parámetros que intervienen directamente en cada paso de inferencia.
Eso no permite calcular por sí solo el coste real. También influyen la longitud del contexto, el número de tokens generados, el ancho de banda de memoria, la precisión usada, el hardware, la paralelización, el enrutamiento MoE y las optimizaciones del proveedor. Por tanto, “49B activos” no equivale automáticamente al coste de ejecutar un modelo denso de 49B.
Un millón de tokens de contexto
La documentación de Mistral fija el contexto de Large 4 en 1M tokens. Sobre el papel, eso permite introducir repositorios grandes de código, colecciones extensas de documentos, historiales de agentes o expedientes largos sin dividirlos de forma tan agresiva como en modelos con ventanas menores.
Pero contexto máximo y comprensión perfecta no son sinónimos. Un modelo puede aceptar un millón de tokens y aun así perder precisión al recuperar un detalle concreto situado muy lejos, mezclar fragmentos o dedicar una parte desproporcionada del cómputo a información irrelevante. Para proyectos serios sigue siendo recomendable estructurar documentos, utilizar recuperación selectiva y evaluar con casos reales.
La comparación con otras familias también debe hacerse con cuidado. Nuestro análisis de GPT-6 Sol y Luna muestra cómo el contexto amplio se está convirtiendo en una característica habitual de los modelos avanzados, pero la ventana por sí sola no dice cuál será mejor en programación, análisis documental o agentes.
Multimodalidad y visión: no es solo texto
Mistral define Large 4 como un modelo multimodal nativo y su ficha técnica menciona un codificador de visión de 1,6B parámetros. Esto le permite trabajar con imágenes además de texto. En las demostraciones del fabricante aparecen tareas como interpretar dibujos técnicos, localizar objetos en imágenes geoespaciales, extraer evidencia de PDF y comprender escenas visuales densas.
La utilidad empresarial es fácil de imaginar: un agente podría revisar documentación técnica que mezcla diagramas y texto, comparar facturas o planos, identificar elementos en fotografías de inspección o responder preguntas sobre informes visuales. Aun así, una demostración seleccionada no demuestra rendimiento uniforme en todos los documentos ni elimina la necesidad de verificación.
Programación y agentes: uno de los focos principales
El anuncio de Mistral dedica una parte importante a programación y flujos agentivos. La compañía presenta resultados en pruebas de ingeniería de software y terminal, y destaca que el modelo puede mantener tareas de varias etapas, utilizar herramientas y avanzar por procesos largos.
Ese tipo de capacidad importa porque el valor de un modelo moderno ya no depende únicamente de contestar bien una pregunta aislada. Un agente útil debe saber cuándo consultar una herramienta, interpretar el resultado, corregir un error, continuar con el objetivo y detenerse cuando ya ha terminado.
Para quienes quieren aprender a diseñar ese tipo de sistemas, una ruta formativa general puede ser útil antes de entrar en despliegues avanzados. Nuestro análisis de INTELIGENCIA ARTIFICIAL PARA TODOS permite valorar una formación introductoria orientada a comprender y aplicar IA sin confundirla con una especialización técnica en infraestructura de modelos.
Ciberseguridad: resultados fuertes, pero con contexto
Mistral presenta Large 4 como uno de sus modelos más fuertes en ciberseguridad y cita evaluaciones como Artificial Analysis Cyber Index, Cybench, Lakera B3, JailbreakBench, StrongREJECT y AgentHarm. Entre los resultados publicados, la compañía destaca un 82 % en una prueba de reproducción y parcheo de vulnerabilidades y un 93 % de resistencia en Lakera B3.
Estas cifras son interesantes, pero conviene separar dos tipos de evidencia. Algunas pruebas proceden de terceros y otras son evaluaciones ejecutadas o seleccionadas por el propio fabricante. Además, el resultado puede variar con el prompt, la versión exacta del modelo, las herramientas disponibles y el presupuesto de razonamiento.
Mistral también señala que está utilizando el periodo previo a la publicación de los pesos para realizar red teaming con especialistas en ciberseguridad, socios verificados y autoridades. Eso es relevante: liberar pesos de un modelo muy capaz en ciberseguridad exige evaluar tanto usos defensivos como posibles abusos.
Entrenado en Europa y la apuesta por soberanía tecnológica
Uno de los mensajes más estratégicos del lanzamiento es la infraestructura. Mistral afirma que Large 4 fue entrenado desde cero sobre 3.800 GPU NVIDIA Grace Blackwell en centros de datos propios en Europa y que la vista previa pública se sirve sobre esa misma infraestructura.
La empresa utiliza este punto para reforzar su argumento de soberanía tecnológica: organizaciones europeas pueden contratar un modelo avanzado operado bajo jurisdicción europea y, cuando se publiquen los pesos, tendrán la posibilidad de desplegarlo en infraestructuras controladas por ellas mismas.
Eso no significa que “europeo” sea automáticamente mejor o más privado. La privacidad real depende del contrato, la arquitectura concreta, el lugar de procesamiento, los registros, la configuración y las políticas de cada despliegue. Pero sí amplía las opciones para empresas y administraciones que quieren reducir dependencia de un único proveedor extranjero.
Más de 160 idiomas
Mistral asegura que una parte significativa de los datos de entrenamiento fue multilingüe y cubre más de 160 idiomas, incluidos todos los idiomas oficiales de la Unión Europea. Para usuarios europeos, esta característica puede ser más relevante que una diferencia pequeña en un benchmark general.
La calidad multilingüe debe medirse por idioma y tarea. Un modelo puede rendir muy bien en inglés y perder precisión en terminología jurídica, técnica o regional en otros idiomas. El anuncio es una señal positiva, pero será necesario comprobar español, catalán, francés, alemán y otros idiomas con pruebas independientes y documentos reales.
Precios de Mistral Large 4 en la API
La ficha oficial muestra el modelo en vista previa con precios de referencia de 1,36 dólares por millón de tokens de entrada y 4,18 dólares por millón de tokens de salida. También aparece una tarifa inferior asociada a determinadas modalidades de uso y descuentos de caché de entrada.
El precio por token es solo una parte del coste total. Un modelo que razona durante más tiempo puede generar más tokens; un agente puede realizar varias llamadas; una tarea multimodal puede requerir procesamiento adicional; y un sistema de producción necesita observabilidad, almacenamiento y validaciones.
Por eso la comparación útil no es “qué API es más barata”, sino cuánto cuesta obtener un resultado correcto y verificable. Un modelo algo más caro puede reducir reintentos, y uno más barato puede ganar claramente si la tarea está bien definida y su tasa de error es baja.
Los pesos abiertos llegarán después de la vista previa
Mistral ha optado por una publicación escalonada. La API de vista previa está disponible desde el anuncio, mientras que los pesos llegarán a finales de octubre. La versión localizada del anuncio concreta el 26 de octubre de 2026.
La estrategia permite recopilar datos de uso y seguridad antes de que el modelo pueda desplegarse libremente fuera de la infraestructura de Mistral. También significa que algunas preguntas importantes siguen abiertas: requisitos de hardware reales, cuantizaciones disponibles, facilidad de despliegue, rendimiento en distintos servidores y condiciones finales de distribución.
“Pesos abiertos” tampoco debe confundirse automáticamente con reproducibilidad completa. Disponer de los archivos del modelo permite ejecutarlo y personalizarlo, pero no implica necesariamente acceso a todos los datos de entrenamiento, procesos de curación, infraestructura o recetas necesarias para recrearlo desde cero.
¿Se podrá ejecutar en local?
En sentido estricto, publicar los pesos permitirá ejecutar Mistral Large 4 fuera de la API del proveedor. Pero con 1,05T parámetros totales estamos ante un sistema enorme. Su estructura MoE reduce el cómputo activo por token, pero no elimina las necesidades de almacenamiento, memoria y ancho de banda asociadas a cargar y servir una red de ese tamaño.
Por eso “local” en este contexto probablemente significará servidores multi-GPU, nubes privadas, centros de datos propios o proveedores especializados, no un portátil convencional. Las cuantizaciones y herramientas de inferencia que acompañen a la publicación de pesos serán decisivas para saber hasta dónde puede reducirse el hardware necesario.
Qué dicen los benchmarks y qué no dicen
Mistral sostiene que Large 4 compite con los mejores modelos de pesos abiertos y que destaca en programación, ciberseguridad, finanzas, derecho, manufactura, ciencia y comprensión visual. También publica comparaciones favorables frente a GLM-5.3 y, en determinadas pruebas visuales, frente a modelos cerrados.
La forma correcta de leer estos gráficos es como evidencia inicial, no como veredicto. Los benchmarks dependen de versiones, prompts, herramientas, presupuestos de razonamiento y criterios de puntuación. Además, el fabricante tiene incentivos comerciales para escoger comparaciones que muestren bien su producto.
Cuando los pesos estén disponibles, las evaluaciones independientes serán especialmente importantes. Los desarrolladores podrán ejecutar las mismas pruebas en hardware conocido, comparar coste por tarea, latencia, tasa de errores y comportamiento con herramientas reales.
Qué cambia para empresas y desarrolladores
Si Large 4 cumple lo anunciado, su propuesta resulta atractiva para organizaciones que quieren combinar capacidades de frontera con mayor control. Una empresa podría empezar con la API gestionada y, si el caso lo justifica, migrar determinadas cargas a infraestructura propia cuando se publiquen los pesos.
Ese control tiene valor en sectores con datos sensibles, requisitos regulatorios o necesidad de personalización profunda. La contrapartida es que operar un modelo grande exige ingeniería, seguridad, monitorización y evaluación continua. La libertad de despliegue no elimina el coste operativo.
Para usuarios menos técnicos, el aprendizaje sigue siendo el primer filtro. Si el objetivo es entender cómo aplicar IA en un ámbito concreto, puede ser más útil empezar por una guía dirigida al propio sector. Por ejemplo, nuestro análisis de Inteligencia Artificial para Educadores explica qué puede aportar una introducción temática y qué límites tiene una edición anterior a los modelos actuales.
Hechos confirmados, inferencias y preguntas abiertas
Hechos confirmados
- Mistral Large 4 fue anunciado el 6 de octubre de 2026 y está disponible en vista previa pública mediante API.
- La documentación oficial indica 1,05T parámetros totales, 49B activos y un codificador visual de 1,6B.
- El contexto máximo publicado es de 1 millón de tokens.
- Mistral afirma que el modelo fue entrenado sobre 3.800 GPU Grace Blackwell en sus centros de datos europeos.
- La empresa prevé liberar los pesos a finales de octubre; su anuncio localizado concreta el 26 de octubre.
Inferencias razonables
La combinación de MoE, multimodalidad, contexto largo y pesos abiertos puede resultar especialmente atractiva para empresas que quieren agentes potentes sin depender permanentemente de una API cerrada. También puede aumentar la competencia europea en modelos de frontera.
Preguntas que todavía necesitan respuesta
Faltan pruebas independientes amplias, requisitos reales de despliegue, rendimiento bajo cuantización, comportamiento sostenido en agentes de larga duración y comparaciones de coste total bajo cargas idénticas. También habrá que observar si las mejoras del entrenamiento que Mistral dice mantener en curso cambian el modelo antes de la publicación final de pesos.
Preguntas frecuentes sobre Mistral Large 4
¿Mistral Large 4 ya está disponible?
Sí, en vista previa pública mediante la API de Mistral. Los pesos descargables se publicarán después, a finales de octubre de 2026.
¿Cuántos parámetros tiene?
La ficha oficial indica aproximadamente 1,05 billones de parámetros totales y 49.000 millones activos por token. Esa diferencia se debe a su arquitectura Mixture-of-Experts.
¿Es multimodal?
Sí. Acepta texto e imagen y la documentación menciona un codificador visual de 1,6B parámetros.
¿Cuál es su ventana de contexto?
Un millón de tokens según la documentación oficial publicada el día del lanzamiento.
¿Es mejor que los modelos cerrados?
No se puede afirmar de forma general. Mistral publica resultados muy competitivos y algunas pruebas concretas donde supera a rivales cerrados, pero la calidad depende de la tarea y todavía faltan evaluaciones independientes amplias.
¿Podrá instalarse en un ordenador normal?
No parece un objetivo realista para el modelo completo. Aunque solo activa 49B parámetros por token, almacenar y servir 1,05T parámetros exige infraestructura considerable. Habrá que esperar a cuantizaciones y herramientas de despliegue.
Conclusión
Mistral Large 4 es uno de los lanzamientos europeos de IA más ambiciosos de 2026. No destaca solo por superar el billón de parámetros, sino por combinar 49B activos, multimodalidad, un millón de tokens de contexto, agentes, ciberseguridad y una futura distribución de pesos abiertos.
La propuesta puede ser especialmente relevante para organizaciones que valoran control, soberanía de infraestructura y posibilidad de autoalojamiento. Pero todavía estamos ante una vista previa. Los benchmarks del fabricante necesitan contraste, los requisitos de despliegue aún no están claros y el modelo puede seguir cambiando mientras continúa su entrenamiento y evaluación.
La fecha realmente importante será la publicación de los pesos. A partir de ahí podremos comparar Mistral Large 4 bajo condiciones independientes y responder con más precisión a la pregunta decisiva: si su combinación de capacidad, coste y control resulta competitiva fuera de las demostraciones del lanzamiento.
Fuentes principales
- Mistral AI — Introducing Mistral Large 4, 6 de octubre de 2026.
- Mistral AI — documentación de Mistral Large 4, consultada el 6 de octubre de 2026.