Mistral Large 4 in anteprima: il modello open-weight che sfida i leader

Perché se ne parla#

Il 6 ottobre 2026 Mistral ha lanciato un'anteprima pubblica di Mistral Large 4, soprannominato internamente ML4. Il modello è accessibile tramite API su Mistral Studio, mentre i pesi saranno rilasciati entro la fine del mese. Mistral lo presenta come il suo modello più grande e capace finora, e come un passo avanti nella frontiera delle prestazioni open-weight.

Per le imprese il punto rilevante è che l'azienda afferma che ML4 superi in modo significativo qualsiasi modello open-weight sviluppato negli Stati Uniti o in Europa, restando competitivo con i modelli open-source più forti a livello globale. Si tratta di dichiarazioni del produttore, che la fonte non accompagna con valutazioni indipendenti.

Il primo esempio concreto riguarda la sicurezza informatica, dove il produttore collega le prestazioni alla possibilità di lavorare senza i rifiuti dei modelli chiusi. Il widget seguente anticipa questo tema con una gara animata di tipo CTF.

La scheda#

Ecco i dati essenziali del modello, come riportati dalla pagina del prodotto di Mistral AI e dal comunicato di lancio. I prezzi sono in dollari per milione di token: per ogni voce compaiono il listino e lo sconto applicato nell'anteprima.

Il produttore precisa che la versione attuale è un'anteprima: la valutazione dei suoi risultati va quindi letta come provvisoria.

I numeri di testa#

Tutti e quattro i valori arrivano dall'annuncio di Mistral. Il dato più forte è l'82% nel test di riproduzione e patch di una vulnerabilità, che il produttore presenta come il punteggio più alto tra i modelli testati. Il 93% delle sfide Cybench, un set di 40 esercizi tratti da competizioni di sicurezza, è indicato da Mistral come uno dei valori più alti per un modello open-weight. Il 93,3% di attacchi respinti nel B3 di Lakera è un benchmark di terzi, ma il risultato è quello comunicato dal produttore. Il 61,7% su DeepSWE v1.1 riguarda la programmazione agentica. Mistral ha annunciato che pubblicherà pesi, architettura e ulteriori benchmark entro la fine del mese, quindi questi numeri potranno essere verificati solo in seguito.

Coding agentico: DeepSWE e Terminal-Bench#

DeepSWE 1.1: il confronto di Artificial Analysis#

Nel grafico DeepSWE 1.1 di Artificial Analysis, Mistral Large 4 Preview ottiene 62. Davanti c'è solo Kimi K3 con Kimi Code CLI (68), mentre GLM-5.3 con Opencode si ferma a 61 e DeepSeek-V4-Pro-0813 con Codex a 57. Qwen3.8 Max con Claude Code arriva a 51. Il valore di Beam, 44, è dichiarato dal fornitore. I punteggi del grafico sono arrotondati: il testo di Mistral riporta 61,7% su DeepSWE v1.1.

Terminal-Bench 4#

Su Terminal-Bench 4 il grafico arrotonda a 28 il valore 28,3% riportato dal testo di Mistral per Mistral Large 4 Preview. Nel grafico, Mistral resta dietro al solo GLM-5.3, mentre gli altri modelli confrontati sono più bassi. I punteggi sono stati valutati privatamente da Artificial Analysis prima del lancio dell'harness e saranno inclusi nel Coding Agent Index al suo rilascio, quindi per voi conviene attendere quella pubblicazione prima di confrontarli in modo definitivo.

Cyber Index: successi e blocchi#

Successi e blocchi nell'AA Cyber Index#

Secondo Mistral, l'Artificial Analysis Cyber Index misura quante volte un modello trova e corregge difetti reali nel software. Nel grafico ufficiale Mistral Large 4 Preview e GLM-5.3-Flash sono entrambi a 50, mentre DeepSeek-V4.1-Flash e Kimi K3 arrivano a 41 e GLM-5.3 a 36.

Il grafico separa i successi dai blocchi di sicurezza. Mistral Large 4 Preview ha 50 successi e nella fonte non c'è un dato sui blocchi; Qwen3.8 2.4T A95B registra 13 successi e 63 blocchi. Mistral sostiene che i modelli chiusi rifiutano il compito: cita Claude Opus 5.5 e GPT-6 Astra, ma si tratta di una dichiarazione del produttore. Per chi valuta questi modelli, conviene leggere separatamente le due colonne.

Valori dell'Artificial Analysis Cyber Index per modello, letti dal grafico ufficiale. Fonte: Mistral AI.

Cybersicurezza: CTF e malware#

Benchmark di cybersicurezza#

Mistral dichiara che ML4 risolve il 93% delle 40 sfide di Cybench, esercizi tratti da competizioni di sicurezza, e lo definisce tra i punteggi più alti per un modello open-weight. Nel test CyberGym-E2E dell'Artificial Analysis Cyber Index, che chiede di riprodurre una vulnerabilità reale in software open source e poi correggerla, ML4 arriva all'82%, valore che il produttore indica come il più alto tra i modelli. Sono dichiarazioni di Mistral, riportate nella pagina ufficiale.

I due grafici confrontano ML4 con i modelli scelti da Mistral in ciascun test. Nel primo ML4 è in testa; nel secondo è al primo posto, con Kimi K3 molto vicino.

Malware triage passo passo#

Il widget ricostruisce la traiettoria di un agente davanti a un loader CobaltStrike senza etichetta, senza intervento umano: 5 fasi, 56 passi e 7 risultati. Mistral lo presenta come esempio di reverse engineering su malware, un compito fuori dalla distribuzione di addestramento.

Agenti di lavoro: AutomationBench e AA-Briefcase#

AutomationBench: 657 flussi di lavoro aziendali#

Su AutomationBench, che include 657 flussi di lavoro tra app come Gmail, Google Sheets, Slack e Salesforce, il produttore riporta 59,9% per Mistral Large 4 Preview. Vi segnaliamo che il testo del produttore cita Kimi K3 (58,3%), MiMo-V2.6-Pro e DeepSeek V4 Pro (56,7%), ma non GLM-5.3, che nel grafico risulta più alto con 62,2%. Il grafico mostra anche GLM-5.2 a 28,4% e Mistral Medium 3.5 a 6,3%.

AA-Briefcase: lavori di conoscenza a lungo orizzonte#

Su AA-Briefcase, che valuta il lavoro di conoscenza su fogli di calcolo, slide e PDF, Mistral Large 4 Preview raggiunge 1.393 Elo combinato, come dichiarato nel testo di presentazione. Il grafico lo colloca sopra DeepSeek V4 Pro (1.256) ma sotto Kimi K3 (1.501), MiMo-V2.6-Pro (1.516) e GLM-5.3 (1.510). Mistral Medium 3.5 è a 523.

Finanza e diritto#

Il produttore dichiara che Mistral Large 4 Preview supera GPT-6 Astra sia in finanza sia nel diritto, e nel test legale di Harvey afferma il primato tra i modelli open-source. Questi tre test usano scale diverse, quindi i grafici sono separati.

Finanza: Vals.ai Finance Agent v2#

ML4 ottiene 54,7, sopra GPT-6 Astra (53,5) e Kimi K3 (53,1). Il grafico conferma il confronto con GPT-6 Astra, ma mostra GLM-5.3 in testa con 55,8. Mistral Medium 3.5 si ferma a 32,1.

Diritto: Harvey's Legal Agent Benchmark#

ML4 raggiunge 15,8, contro 12,9 di Kimi K3 e 5,4 di GPT-6 Astra, il valore più alto del grafico tra quelli mostrati. Il primato tra gli open-source è una dichiarazione del produttore, basata su questo test.

FinWorkBench (Finch)#

Il test misura la creazione e la modifica di fogli di calcolo su casi reali di finanza e contabilità. ML4 e DeepSeek-V4-Pro-0813 pareggiano a 67,4, mentre Kimi K3 arriva a 77,3 e GPT-6 Astra a 57.

Coding: SWE-Atlas e valutazione umana#

SWE-Atlas-QnA#

Mistral dichiara 59,4% su SWE-Atlas-QnA, uno dei tre risultati di coding agentico citati nel comunicato. Nel grafico ufficiale il valore è riportato come 59, mentre 66 spetta a DeepSeek-V4-Pro-0813, il punteggio più alto del gruppo.

Valori letti dal grafico ufficiale SWE-Atlas-QnA di Mistral. Fonte: Mistral AI.

Valutazione umana di Surge AI#

Annotatori professionisti di Surge AI hanno valutato la qualità del codice su una scala da 1 a 5, senza conoscere l'identità dei modelli. ML4 Preview ottiene 3,74, secondo su cinque modelli: davanti a GLM-5.3 (3,60), Kimi K3 (3,59) e GLM-5.2 (3,40), dietro solo a Claude Opus 5 (4,22).

Valori letti dal grafico ufficiale della valutazione umana di Surge AI sul codice. Fonte: Mistral AI.

Visione e documenti#

Visione e documenti#

Per Mistral la visione è un punto di forza dichiarato. Nel test Dense200 (rilevamento di bounding box), il produttore riporta 42% per Mistral Large 4 Preview contro 41% di GPT-6 Astra, secondo la pagina di Mistral. Il grafico ufficiale mostra 42 per ML4 e 41,5 per GPT-6 Astra.

La versione multimodale dello stesso test, con la stessa scala di punteggi, riporta gli stessi valori per ML4, GPT-6 Astra, Kimi K3 e DeepSeek-V4.1-Flash.

Su ChartQA Pro ML4 segna 63.1, dietro a GPT-6 Astra (65.1) e davanti a Kimi K3 (61.7). Su GDP.pdf di Artificial Analysis ML4 ottiene 18.6, contro i 22 di Kimi K3.

Scienza e matematica#

SciCode-Verified#

Su SciCode-Verified pass@1 (n=6), test sull'implementazione in codice di flussi di lavoro scientifici in fisica, matematica, scienza dei materiali e biologia, Mistral Large 4 Preview ottiene 91,8. Il produttore dichiara il primato tra i modelli open-weight, ma nel grafico Qwen3.8 2.4T A95B arriva a 93,8 e GPT-6 Astra a 94,2; la fonte non indica quali modelli siano open-weight. Dettagli nella fonte.

STEM contro GLM-5.3#

Il secondo grafico è una valutazione interna di Mistral, non indipendente, su matematica e fisica, confrontando ML4 con GLM-5.3 tramite annotatori esperti. La categoria più frequente è «Better» con 43, seguita da «Tie» con 22 e «Slightly Better» con 15; «Much Better» è 7 e «Slightly Worse» è 14. Il produttore afferma che ML4 è stato preferito nelle valutazioni STEM.

Sicurezza del modello#

Resistenza agli attacchi#

Nel B3 Agent Security Benchmark di Lakera, la percentuale di attacchi respinti è 93,3% per Mistral Large 4 Preview e per GLM-5.3, appaiati in cima. GLM-5.2 e Kimi K3 si fermano a 88,1%. Il produttore sostiene che ML4 resiste al 93,3% degli attacchi e che nessun concorrente ottiene un valore superiore.

Rifiuto di richieste cyber dannose#

Nella media su JailbreakBench, StrongREJECT e AgentHarm, ML4 rifiuta il 95,3% delle richieste cyber dannose, il valore più alto tra i modelli open-source confrontati dal produttore. Kimi K3 è il più vicino, mentre DeepSeek-V4-Pro-0813, fermo a 77,7%, chiude la graduatoria. La scala dell'asse parte da 70, quindi le distanze visive risultano amplificate.

Punteggio KORA#

Nel KORA Benchmark il punteggio massimo è 2, denominato «Exemplary». Nel grafico ML4 e GLM-5.3 compaiono entrambi a 1,7», arrotondato a una cifra decimale. Il testo del produttore riporta per ML4 il valore 1,691, indicato come il più alto tra i modelli open-source misurati.

Valutazione umana: vittorie e sconfitte#

Valutazione umana: vittorie e sconfitte#

Mistral descrive un confronto interno con annotatori esperti su programmazione, CAD, finanza, matematica e fisica. Mistral Large 4 (ML4) è stato preferito in CAD e STEM e si colloca alla pari o vicino a GLM-5.3 in finanza e programmazione (fonte).

Il grafico mostra 79,5% di Win per GLM 5.2, 69,2% per GLM 5.3 e Kimi K3, e 38,5% per Claude Opus 5. Non indica contro quale modello sono calcolate le percentuali. La nota della fonte parla di valutazioni condotte da una terza parte, mentre il testo di Mistral descrive una valutazione interna.

Win e Lose per modello nel grafico Model Performance Comparison. Fonte: Mistral AI.

Apprendimento per rinforzo su scala#

Come funziona il post-training#

Dopo l'addestramento di base, Mistral affina il modello con due fasi: il supervised fine-tuning (SFT) e l'apprendimento per rinforzo (RL). Nel RL il modello viene valutato sugli esiti dei propri tentativi, e i compiti diventano più difficili man mano che migliora. Gli ambienti di addestramento sono condivisi e possono combinare chat, problemi scientifici, sicurezza, fattualità e uso di strumenti su più passaggi.

Per giudicare le risposte si usano verificatori scelti per ogni compito: reward model, unit test, giudici LLM e controlli statici. Su circa 3.000 GPU una sessione produce circa 33 miliardi di token al giorno, di cui circa 16 miliardi addestrabili dopo filtraggio e mascheramento.

Come leggere le curve#

Le curve mostrano l'andamento della ricompensa durante l'addestramento, quindi il progresso del modello e non un risultato di benchmark. Il grafico in alto raccoglie quattro ambienti, mentre quello successivo confronta le fasi SFT e RL su tre compiti.

Glossario#

• Post-training: fasi di affinamento dopo l'addestramento di base.

• Rollout: sequenza di tentativi che il modello genera in un ambiente.

• Token: piccola unità di testo che il modello legge e produce.

• Unit test: controllo automatico che verifica se il codice funziona.

• Giudice LLM: un altro modello che valuta la qualità di una risposta.

Come leggere questi numeri#

Il lessico della notizia#

Per leggere le cifre di questa notizia servono alcune definizioni. Le fonti usano questi termini senza spiegarli. Le cifre provengono dalla pagina di annuncio e dalla pagina prodotto di Mistral. Senza pesi e architettura ancora pubblicati, molte misure non si possono ripetere oggi.

• Benchmark: test standard con cui si confrontano i modelli su compiti uguali.

• Open-weight: modello i cui pesi, cioè i valori numerici che ne determinano il comportamento, sono resi disponibili a tutti.

• Parametri: i valori interni del modello. ML4 ne ha 1 trilione in totale e 52 miliardi attivi.

• Mixture-of-Experts: architettura che attiva solo una parte dei parametri alla volta.

• Multimodale: capace di elaborare testo e immagini.

• Token: unità di testo che il modello legge e produce. I prezzi sono indicati per milione di token.

• Red-teaming: test avversariale condotto per trovare punti deboli prima del rilascio.

• Reinforcement Learning (RL): addestramento in cui il modello migliora dai risultati dei propri tentativi.

• Elo: punteggio relativo che ordina i modelli in base ai confronti diretti, come negli scacchi.

• Jailbreak: tecnica per aggirare le protezioni di sicurezza di un modello.

Cosa significa per un'azienda#

1. Provate l'anteprima API su Mistral Studio con un caso reale della vostra attività e misurate il costo per flusso. La scheda indica $1,36 per milione di token in input e $4,18 in output. Per capire come scegliere il fornitore, leggete l'approfondimento dedicato.

2. Valutate i pesi aperti, annunciati per la fine del mese, se vi servono controllo dei dati o deployment on-premise. Il produttore indica l'esecuzione su private cloud o on-premise per le operazioni di sicurezza.

3. Per l'uso in sicurezza, verificate la policy del fornitore sulle richieste cyber. Secondo i dati dichiarati da Mistral, il tasso di rifiuto di ML4 sui prompt cyber è più alto di tutti i modelli open-weight testati, mentre alcuni modelli chiusi rifiutano il test di riproduzione delle vulnerabilità.

4. Confrontate i benchmark dichiarati dal produttore, come 82% nel test di riproduzione e patch e 93% su Cybench, con prove interne sui vostri casi. Per il quadro generale dei modelli disponibili, consultate il panorama dei modelli.

Domande frequenti#

Come è stato calcolato il voto#

Il voto della valutazione è la media di questi criteri, ciascuno motivato con un fatto delle fonti ufficiali.