Mistral Está de Volta: Le Chonk Supera GPT-6 Astra e Claude

A Mistral esteve quieta no topo por um tempo. O Mistral Large 3 foi lançado em dezembro de 2025 e, desde então, a conversa sobre modelos de fronteira de pesos abertos tem sido sobre Kimi, DeepSeek, GLM e Qwen. Em 6 de outubro de 2026, a Mistral respondeu com o Mistral Large 4, um modelo de 1 trilhão de parâmetros que a equipe chama de “Le Chonk”.

O número de destaque é um benchmark de segurança cibernética onde o Large 4 atinge 82%, enquanto o Claude Opus 5.5 e o GPT-6 Astra marcam perto de zero. Isso é verdade, está na página de lançamento da Mistral, e precisa de uma frase de contexto antes que você o compartilhe. Este artigo fornece esse contexto, as especificações, o preço real e onde o Large 4 ainda perde.

TL;DR

• O que é: um modelo de mistura de especialistas com 1,05T parâmetros, com 49B parâmetros ativos, um codificador de visão de 1,6B, entrada de texto e imagem, e uma janela de contexto de 1M tokens.
• Onde obtê-lo: prévia pública na API da Mistral hoje como mistral-large-4. Pesos “até o final do mês”, ou seja, por volta de 27 de outubro.
• Preço: $1,36 entrada / $4,18 saída por milhão de tokens no preço de tabela, atualmente mostrado como **$0,68 / $2,09** durante a prévia. Entrada em cache é $0,07.
• A vitória cibernética: 82% no teste de reprodução de vulnerabilidades do AA Cyber Index. Opus 5.5 e Astra marcam perto de zero **porque recusam a tarefa**, não porque falham nela.
• A verdadeira perda: na codificação avaliada por humanos, Claude Opus 5 marcou 4,22 e Large 4 marcou 3,74.

Por que “Mistral está de volta” é justo

Durante a maior parte de 2026, os modelos de pesos abertos mais fortes vieram da China. A Mistral continuou lançando, com o Medium 3.5, Devstral 2 e Small 4, mas nada que competisse com os modelos fechados de fronteira em seu próprio território.

O Large 4 muda o cenário. A Mistral afirma que ele “supera significativamente qualquer modelo de pesos abertos desenvolvido nos EUA ou na Europa”, e ela sustenta isso com uma história de treinamento construída para o público da soberania da UE. O modelo foi treinado do zero em 3.800 GPUs NVIDIA Grace Blackwell nos próprios datacenters europeus da Mistral, cobre mais de 160 idiomas, incluindo todos os idiomas oficiais da UE, e chega semanas após uma rodada da Série D de €3 bilhões que a Mistral chama de a maior rodada de capital já levantada por uma empresa de tecnologia europeia.

O timing também importa. O Large 4 chegou logo depois que a Reflection revelou seu modelo de pesos abertos Beam, então a corrida de modelos abertos EUA-vs-China agora tem um terceiro participante sério.

O destaque cibernético e a pegadinha

Aqui está o resultado que todos estão tirando prints. O Artificial Analysis Cyber Index inclui um teste que pede a um modelo para reproduzir uma vulnerabilidade real em software de código aberto e depois corrigi-la. A Mistral diz que o Large 4 atinge **82%, o mais alto de qualquer modelo**.

Então a pegadinha, nas próprias palavras da Mistral: “Vários modelos fechados líderes, incluindo Claude Opus 5.5 e GPT-6 Astra, marcam perto de zero no mesmo teste porque se recusam a executar a tarefa.”

Então leia assim:

Há uma capacidade real por trás da manchete. O Large 4 também resolve 93% do Cybench, um conjunto de 40 exercícios de captura de bandeira, que a Mistral chama de uma das pontuações mais altas relatadas para um modelo de pesos abertos. No B3 Agent Security Benchmark, ele resiste a 93,3% dos ataques.

Para equipes de segurança, essa combinação é a história real: um modelo que você pode hospedar em seu próprio servidor que ajudará a reproduzir e corrigir um CVE em seu próprio código, enquanto ainda recusa a maioria das solicitações claramente prejudiciais. Para equipes de API, essa é uma ferramenta útil para ter em seu próprio hardware, em vez de por trás do filtro de política de outra pessoa.

Onde o Large 4 supera o GPT-6 Astra fora da segurança cibernética

O resultado cibernético é o mais chamativo. Duas outras vitórias contra o Astra são mais discretas e significativas, porque ambos os modelos realmente tentaram a tarefa:

Contra outros modelos abertos, a diferença é maior:

Todos esses são números relatados pela Mistral, de modelos de prévia. Nenhum laboratório independente os reexecutou ainda, e a Euronews relata que o aprendizado por reforço ainda estava sendo finalizado no lançamento. Trate-os como um forte sinal, não um veredito.

Onde ele ainda perde

A Mistral publicou um resultado onde um modelo fechado claramente vence. Em uma avaliação humana de qualidade de código executada pela Surge AI em cinco modelos, o Large 4 Preview ficou em segundo lugar:

Essa é uma vitória clara sobre os melhores modelos abertos chineses, e uma diferença de meio ponto atrás de Claude. A própria fraseologia da Mistral é que o Large 4 está “diminuindo a lacuna” com os modelos de fronteira em codificação, o que é uma leitura honesta.

Também ausente: não há comparação com o Claude Fable 5.1 ou GPT-6 Sol em nenhum lugar nos materiais de lançamento. Se alguém lhe disser que o Large 4 supera o Fable, peça o benchmark.

Especificações em um relance

Preço: o modelo de classe de fronteira mais barato que você pode chamar hoje

Esta é a parte que deve fazer as equipes de API prestarem atenção. A página de preços da Mistral lista o Large 4 pela metade do preço de tabela durante a prévia:

No preço de prévia, a saída do Large 4 custa aproximadamente um vinte e quatro avos do preço do Astra. Mesmo no preço de tabela, é cerca de 12 vezes mais barato na saída. A entrada em cache cai para $0,07 por milhão, o que é importante para agentes que reenviam o mesmo prompt de sistema e definições de ferramentas a cada turno.

A Mistral não informou quando o desconto da prévia termina, então faça o orçamento com base no preço de tabela.

Você deve mudar?

• Experimente agora se:
• Você executa fluxos de trabalho agentivos ou automação de trabalho de conhecimento e paga preços de fronteira. AutomationBench e AA-Briefcase sugerem que o Large 4 é competitivo aqui por uma fração do custo.
• Você precisa de saída multilíngue em idiomas da UE ou inferência hospedada na UE para conformidade.
• Você faz trabalho de segurança defensiva e continua encontrando recusas na reprodução legítima de vulnerabilidades.
• Você quer um modelo de classe de fronteira que poderá hospedar em seu próprio servidor em algumas semanas.
• Espere se:
• A qualidade do código é sua principal métrica. Claude ainda lidera na codificação avaliada por humanos.
• Você precisa de números que possa defender em uma revisão. Espere por benchmarks independentes após o lançamento dos pesos.
• Você usa o Large 3 em produção. A prévia ainda pode mudar, e a Mistral ainda não publicou um ID versionado estável.

Como testar o Large 4 em suas próprias APIs no Apidog

Benchmarks dizem como um modelo se sai nas tarefas de outras pessoas. A maneira mais rápida de decidir é executar o Large 4 em seus próprios prompts e compará-lo com o modelo pelo qual você paga hoje. O Apidog faz isso sem uma linha de código extra:

1. Salve a solicitação uma vez. Crie POST https://api.mistral.ai/v1/chat/completions, armazene sua chave como uma variável de ambiente e defina Authorization: Bearer {{MISTRAL_API_KEY}}.
2. Clone-o por modelo. Duplique a solicitação, altere apenas o campo model (mistral-large-4 vs. seu modelo atual) e envie ambos. O Apidog mostra a resposta, status, latência e tamanho lado a lado, e o bloco usage fornece a contagem de tokens para uma comparação de custo.
3. Adicione asserções. Verifique um status 200, uma resposta não vazia e uma correspondência de JSON Schema se você solicitar saída estruturada. Isso transforma um experimento único em um teste de regressão.
4. Reexecute-o a cada atualização do modelo. Agrupe as solicitações em um cenário de teste e reexecute-o quando a Mistral atualizar a prévia ou lançar os pesos. Você verá se a qualidade diminuiu antes que seus usuários o façam.

Duas forças do Large 4 se encaixam naturalmente no trabalho de API. Seus resultados de segurança o tornam um bom segundo revisor para testes de segurança de API, por exemplo, quando você reproduz um desvio de autenticação em sua própria API de staging. Sua chamada de função e saídas estruturadas permitem que você transforme uma especificação OpenAPI projetada no Apidog em definições de ferramentas que um agente pode chamar.

Para o passo a passo completo do código, incluindo chaves, blocos de raciocínio, imagens, chamada de função e cálculo de custo, consulte nosso guia da API Mistral Large 4. Vem de um modelo Mistral mais antigo? Os fundamentos da API Mistral AI e o guia da API Mistral Medium 3.5 ainda se aplicam: mesma URL base, mesma autenticação, novo ID de modelo.

Perguntas Frequentes

• O Mistral Large 4 é de código aberto? Ele é de pesos abertos. A Mistral diz que os pesos serão lançados até o final de outubro de 2026. A licença ainda não foi publicada, então não presuma que ela corresponda à Apache 2.0 do Large 3.
• O Mistral Large 4 realmente supera o GPT-6 Astra? Em fundamentação visual (42% vs 41%) e no Finance Agent v2, sim, pelos números da Mistral. No teste de vulnerabilidade cibernética, o Astra marca perto de zero porque se recusa, então essa não é uma vitória comparável.
• Ele supera o Claude? Não na codificação. Claude Opus 5 lidera a avaliação de codificação humana de 4,22 a 3,74. Claude Opus 5.5 também recusa a tarefa de reprodução cibernética, e é por isso que marca perto de zero lá.
• O que significa “Le Chonk”? É o apelido não oficial da Mistral para o modelo, uma piada sobre seu tamanho. O nome oficial é Mistral Large 4, ou ML4.
• Posso usá-lo gratuitamente? O plano gratuito da Mistral inclui $10 por mês em créditos de API e acesso aos seus modelos mais recentes no Le Chat e Vibe. No preço de prévia, $10 compram aproximadamente 4,8 milhões de tokens de saída no Large 4.

Conclusão

A Mistral está de volta à conversa de fronteira. O Large 4 é o modelo de pesos abertos mais forte de fora da China, pelos números da Mistral, custa uma fração do Astra ou Opus 5.5, e rodará em seu próprio hardware em semanas. A frase “supera Astra e Claude em segurança cibernética” é real, mas vem de recusas, e o veredito honesto de codificação é “segundo lugar para Claude”. Teste-o em suas próprias APIs no Apidog agora enquanto o preço de prévia durar, e adie sua decisão de produção até que benchmarks independentes cheguem após 27 de outubro.