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

_ML4 in anteprima pubblica: benchmark, cybersicurezza, prezzi e pesi in arrivo a fine mese_

Fonte: https://andreapirazzini.it/blog/mistral-large-4-in-anteprima-il-modello-open-weight-che-sfida-i-leader · 12 ottobre 2026

> Articolo redatto da un sistema di AI a partire da fonti ufficiali: https://mistral.ai/news/mistral-large-4/.

## In breve

- Mistral Large 4 è un modello da 1 trilione di parametri con 52 miliardi attivi, disponibile in anteprima tramite API.
- Secondo Mistral, i pesi del modello saranno rilasciati entro la fine del mese.
- Secondo Artificial Analysis, citato da Mistral, il modello è tra i primi cinque al mondo per l'indice di cybersicurezza.
- Il modello è stato addestrato da zero su 3.800 GPU NVIDIA Grace Blackwell nei datacenter europei di Mistral.
- Il prezzo scontato dell'anteprima è di 0,68 dollari per milione di token in input e 2,09 in output, contro un listino di 1,36 e 4,18.

[Animazione: La testata animata della pagina ufficiale dell’annuncio, registrata in una breve clip. Fonte: Mistral AI.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/55c48729-97c2-4231-83ce-0e921299a806.mp4)

## 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.

**Gara CTF Speedrun**

| Modello | Facile | Medio | Difficile | Totale | Ultima completata |
| --- | --- | --- | --- | --- | --- |
| Mistral Large 4 | 7 | 5 | 6 | 18 su 19 | 40:00 |
| GLM 5.2 | 7 | 4 | 5 | 16 su 19 | 1:00:57 |
| Kimi K3 | 7 | 5 | 3 | 15 su 19 | 25:45 |
| DeepSeek v4.1 Flash | 7 | 4 | 3 | 14 su 19 | 27:15 |
| GLM 5.3 | 7 | 4 | 3 | 14 su 19 | 35:00 |
| DeepSeek v4 Pro | 6 | 3 | 1 | 10 su 19 | 36:45 |

_Fonte: Mistral AI, dati del widget interattivo dell’annuncio_

*Animazione della gara CTF Speedrun: sei concorrenti affrontano 19 prove di sicurezza informatica, con 87 completamenti. Si tratta di una simulazione di competizione, non di un benchmark indipendente. Fonte: Mistral AI.*

## 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.

| Voce | Dettaglio |
| --- | --- |
| Tipo | Modello multimodale generico a pesi aperti, architettura Mixture-of-Experts granulare |
| Parametri | **1 trilione** totali, **52 miliardi** attivi |
| Encoder visivo | **1,6 miliardi** di parametri |
| Contesto | **1 milione** di token |
| Input | Multimodale |
| Disponibilità | Anteprima pubblica tramite API; pesi aperti previsti entro la fine del mese |
| Prezzo input | Listino **1,36 $**, scontato **0,68 $** |
| Input in cache | Listino **0,14 $**, scontato **0,07 $** |
| Output | Listino **4,18 $**, scontato **2,09 $** |
| Limiti dichiarati | Il produttore indica che il modello sta ancora migliorando durante la messa a punto |

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

## I numeri di testa

- **82%** Riproduzione e patch di una vulnerabilità (Dichiarazione di Mistral: il punteggio più alto tra i modelli testati)
- **93%** Sfide Cybench risolte (40 esercizi) (Dichiarazione di Mistral)
- **93,3%** Attacchi respinti nel B3 di Lakera (Benchmark di terzi, risultato riportato da Mistral)
- **61,7%** DeepSWE v1.1 (Dichiarazione di Mistral)

_Fonte: Annuncio di Mistral, 6 ottobre 2026_

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](https://mistral.ai/news/mistral-large-4/) riporta **61,7%** su DeepSWE v1.1.

**DeepSWE 1.1: punteggi per modello** — Valori arrotondati dal grafico ufficiale di Artificial Analysis

| Voce | AA-DeepSWE 1.1 |
| --- | --- |
| Mistral Large 4 Preview | 62punteggio |
| Beam (self-reported) | 44punteggio |
| Qwen3.8 Max w/ Claude Code | 51punteggio |
| DeepSeek-V4-Pro-0813 w/ Codex | 57punteggio |
| GLM-5.3 w/ Opencode | 61punteggio |
| Kimi K3 w/ Kimi Code CLI | 68punteggio |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

**Grafici ufficiali di Artificial Analysis**

- [Grafico a barre di Artificial Analysis su DeepSWE 1.1 con sei modelli; Mistral Large 4 Preview è la barra arancione.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/df2cc035-9fc4-4493-9246-4b7829014b89.webp) — Il grafico DeepSWE 1.1 da cui sono letti i valori della tabella sopra. Fonte: Mistral AI.
- [Grafico a barre di Artificial Analysis su Terminal-Bench 4 con cinque modelli; Mistral Large 4 Preview è la barra aranci](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/8db83a08-8b2b-4437-8ee1-79c91bf1d81a.webp) — Il grafico Terminal-Bench 4, con Mistral Large 4 Preview evidenziato in arancione. Fonte: Mistral AI.

*Immagini: Mistral AI.*

### Terminal-Bench 4

Su **Terminal-Bench 4** il grafico arrotonda a **28** il valore **28,3%** riportato dal testo di [Mistral](https://mistral.ai/news/mistral-large-4/) 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](https://mistral.ai/news/mistral-large-4/), 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**.

**Le immagini ufficiali dell'indice**

- [Grafico ufficiale 'Cybersecurity Benchmarks - AA Cyber Index' con cinque barre: Mistral Large 4 Preview e GLM-5.3-Flash ](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/cc28be1b-9819-4156-b9e8-0e51ec780fde.webp) — Il primo grafico ufficiale mostra la classifica dei cinque modelli sul punteggio complessivo dell'indice, con Mistral Large 4 Preview evidenziata in arancione. Fonte: Mistral AI.
- [Grafico 'Artificial Analysis Cyber Index' con la barra arancione di Mistral Large 4 Preview e barre grigie per gli altri](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/c77e29e9-7870-4fdd-98de-4989339382d6.webp) — Il secondo grafico ufficiale separa i successi, in basso, dai blocchi di sicurezza, in alto, per ogni modello. Fonte: Mistral AI.

*Immagini: Mistral AI.*

**Artificial Analysis Cyber Index: successi e blocchi** — Successi e blocchi di sicurezza per modello

| Voce | SUCCESS | SAFETY BLOCKS |
| --- | --- | --- |
| Mistral Large 4 Preview | 50 | n.d. |
| Qwen3.8 2.4T A95B | 13 | 63 |
| Opus 5.5 | 29 | 36 |
| GPT-6 Astra | 33 | 38 |
| GLM-5.3 | 36 | n.d. |
| Kimi K3 | 41 | n.d. |
| DeepSeek-V4.1-Flash | 41 | n.d. |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

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.

| Modello | Successi | Blocchi di sicurezza |
| --- | --- | --- |
| Mistral Large 4 Preview | 50 | — |
| Qwen3.8 2.4T A95B | 13 | 63 |
| Opus 5.5 | 29 | 36 |
| GPT-6 Astra | 33 | 38 |
| GLM-5.3 | 36 | — |
| Kimi K3 | 41 | — |
| DeepSeek-V4.1-Flash | 41 | — |

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](https://mistral.ai/news/mistral-large-4/).

**Grafici ufficiali di Mistral**

- [Grafico a barre con CyberGym-E2E (AA) come titolo: la barra arancione di Mistral Large 4 Preview è la più alta, seguita ](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/04343641-6c4d-4da9-a826-7bc0f13454e7.webp) — Il grafico ufficiale di Mistral sul test CyberGym-E2E: la barra arancione indica il modello presentato nell'articolo. Fonte: Mistral AI.
- [Grafico a barre con Cybench come titolo: la barra arancione di Mistral Large 4 Preview è la più alta, seguita da Kimi K3](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/aeb38dd9-2114-4a70-b801-af164bb8cc61.webp) — Il grafico ufficiale di Mistral sul test Cybench, con lo stesso codice colore del grafico precedente. Fonte: Mistral AI.

*Immagini: Mistral AI.*

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.

**CyberGym-E2E (AA)** — Punteggi dichiarati da Mistral

| Voce | CyberGym-E2E (AA) |
| --- | --- |
| Mistral Large 4 Preview | 82% |
| DeepSeek-V4.1-Flash | 23% |
| GLM-5.3 | 29% |
| Kimi K3 | 58% |
| GLM-5.3-Flash | 74% |
| Grok 4.7 | 74% |
| MiMo-V2.6-Pro | 79% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

**Cybench** — Sfide risolte dichiarate da Mistral

| Voce | Cybench |
| --- | --- |
| Mistral Large 4 Preview | 93% |
| GLM-5.2 | 73% |
| GLM-5.3 | 85% |
| DeepSeek-V4-Pro-0813 | 88% |
| Kimi K3 | 90% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

### 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.

**Malware Triage: traiettoria di un'indagine**

- **Recon** (passi 1–2): Che file è questo, e cosa nasconde?
- **Decompile** (passi 3–17): Riportare il codice macchina in C leggibile.
- **Decrypt** (passi 18–19): Trovare la chiave del payload nascosto.
- **Inspect** (passi 20–49): Scomporre lo shellcode decifrato.
- **Detect** (passi 50–56): Scrivere una regola di rilevamento e un report basato sulle prove.

- Passo 19: Chiave XOR trovata nei byte grezzi all'indirizzo 0x404028: d4 e2 89 29.
- Passo 20: Decifrato, il payload rivela tutto: C2 39.100.66.238/GrLX via wininet, con User-Agent contraffatto.
- Passo 52: La regola di rilevamento compila e corrisponde al campione: 0 falsi positivi su 683 file puliti.

- Passo 2: **Stager a named pipe individuato** — \\.\pipe\MSSE-%d-server
- Passo 18: **Payload cifrato tracciato** — 892 bytes · stored encrypted in .data
- Passo 19: **Cifratura XOR decifrata** — XOR key d4 e2 89 29
- Passo 20: **Shellcode decodificato** — x64 · fc 48 83 e4 f0 e8 · new thread
- Passo 20: **Configurazione C2 estratta** — 39.100.66.238/GrLX · HTTP · fake Windows Phone UA
- Passo 52: **Scrive una regola di rilevamento** — MSSE_NamedPipe_Loader.yar · 0 FP / 683 clean files
- Passo 56: **Archivia un report basato sulle prove** — 20 claims · 17 confirmed · 2 inferred · 1 unconfirmed

Un loader CobaltStrike Artifact Kit: MSSE-%d-server è la named pipe predefinita del kit. Il modello non è stato informato e lo ha ricostruito dai byte grezzi.

_Fonte: Mistral AI, dati del widget interattivo dell’annuncio_

*Il percorso di ML4 in un'indagine su un malware: ogni passo mostra uno strumento usato o un reperto trovato, fino ai risultati finali. Fonte: Mistral AI.*

## 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 - AutomationBench** — Obiettivi completati senza violazioni

| Voce | Objectives completed without violations (%) |
| --- | --- |
| Mistral Large 4 Preview | 59,9% |
| Mistral Medium 3.5 | 6,3% |
| GLM-5.2 | 28,4% |
| DeepSeek-V4-Pro-0813 | 56,7% |
| Qwen3.8 2.4T A95B | 57,2% |
| Kimi K3 | 58,3% |
| GLM-5.3 | 62,2% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

**I grafici AutomationBench**

- [Grafico a barre intitolato Artificial Analysis - AutomationBench, con Mistral Large 4 Preview evidenziato in arancione e](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/edea65e8-5572-4af9-98af-c9a8fed4ac39.webp) — Versione del grafico con le barre dei modelli confrontati e i relativi punteggi. Fonte: Mistral AI.
- [Grafico a barre Artificial Analysis - AutomationBench con l'asse verticale intitolato obiettivi completati senza violazi](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/818ee661-286b-4086-b23f-a08b6d5f73c0.webp) — Stesso confronto con l'etichetta dell'asse che indica la metrica misurata. Fonte: Mistral AI.

*Immagini: Mistral AI.*

### 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](https://mistral.ai/news/mistral-large-4/). 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**.

**AA-Briefcase** — Combined Elo

| Voce | Combined Elo |
| --- | --- |
| Mistral Large 4 Preview | 1.393Elo |
| Mistral Medium 3.5 | 523Elo |
| DeepSeek-V4-Pro-0813 | 1.256Elo |
| Kimi K3 | 1.501Elo |
| MiMo-V2.6-Pro | 1.516Elo |
| GLM-5.3 | 1.510Elo |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre AA-Briefcase con l'asse Combined Elo e Mistral Large 4 Preview evidenziato in arancione.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/0556ad05-d756-452b-936c-b2993cfa6ea2.webp)
*Il grafico ufficiale riporta i valori Elo combinati dei modelli, con Mistral Medium 3.5 in giallo. Fonte: Mistral AI.*

## 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**.

**Vals.ai Finance Agent v2** — Punteggi dei modelli nel test finanziario

| Voce | Vals.ai Finance Agent v2 |
| --- | --- |
| Mistral Large 4 Preview | 54,7punti |
| Mistral Medium 3.5 | 32,1punti |
| GLM-5.2 | 49,7punti |
| DeepSeek-V4-Pro-0813 | 50,4punti |
| Qwen3.8 3.8 Max | 50,6punti |
| Kimi K3 | 53,1punti |
| GPT-6 Astra | 53,5punti |
| GLM-5.3 | 55,8punti |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre Vals.ai Finance Agent v2 con Mistral Large 4 Preview in arancione e gli altri modelli in grigio](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/a404f794-7093-4316-bf78-54e991083bf7.webp)
*Il grafico ufficiale di Vals.ai sul test finanziario, da cui sono letti i valori della tabella sopra. Fonte: Mistral AI.*

### 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.

**Harvey's Legal Agent Benchmark** — Punteggi dei modelli nel test legale

| Voce | Harvey's Legal Agent Benchmark |
| --- | --- |
| Mistral Large 4 Preview | 15,8punti |
| GPT-6 Astra | 5,4punti |
| GLM-5.2 | 7,1punti |
| DeepSeek-V4-Pro-0813 | 7,5punti |
| GLM-5.3 | 8,3punti |
| Qwen3.8 Max | 10,4punti |
| Kimi K3 | 12,9punti |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre Vals.ai Harvey's Legal Agent Benchmark con Mistral Large 4 Preview in arancione più alto degli altri](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/9a8446c8-1abe-431a-be76-7da01bd53b1f.webp)
*Il grafico ufficiale di Vals.ai sul test legale di Harvey, da cui sono letti i valori della tabella sopra. Fonte: Mistral AI.*

### 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**.

**Finch (FinWorkBench)** — Punteggi dei modelli nel test su fogli di calcolo finanziari

| Voce | FinWorkBench |
| --- | --- |
| Mistral Large 4 Preview | 67,4punti |
| Mistral Medium 3.5 | 36,7punti |
| DeepSeek-V4-Pro-0813 | 67,4punti |
| GLM-5.2 | 61punti |
| GLM-5.3 | 65,1punti |
| Kimi K3 | 77,3punti |
| GPT-6 Astra | 57punti |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre FinWorkBench con Mistral Large 4 Preview in arancione e Kimi K3 più alto tra i modelli](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/e1001338-0cc1-4106-bacf-2c2f0eb3ecda.webp)
*Il grafico ufficiale del produttore sul test FinWorkBench, da cui sono letti i valori della tabella sopra. Fonte: Mistral AI.*

## 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](https://mistral.ai/news/mistral-large-4/). Nel grafico ufficiale il valore è riportato come **59**, mentre **66** spetta a DeepSeek-V4-Pro-0813, il punteggio più alto del gruppo.

**SWE-Atlas-QnA** — Punteggi per modello

| Voce | SWE-Atlas-QnA |
| --- | --- |
| Mistral Large 4 Preview | 59% |
| Beam | 35% |
| GLM-5.3 | 59% |
| Qwen3.8 Max | 62% |
| Kimi K3 | 62% |
| DeepSeek-V4-Pro-0813 | 66% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

| Modello | SWE-Atlas-QnA |
| --- | --- |
| Mistral Large 4 Preview | 59 |
| Beam (self-reported) | 35 |
| GLM-5.3 | 59 |
| Qwen3.8 Max | 62 |
| Kimi K3 | 62 |
| DeepSeek-V4-Pro-0813 | 66 |

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**).

| Modello | Punteggio (1–5) |
| --- | --- |
| Mistral Large 4 Preview | 3.7 |
| GLM-5.2 | 3.4 |
| Kimi K3 | 3.6 |
| GLM-5.3 | 3.6 |
| Opus 5 | 4.2 |

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

**Grafici ufficiali del coding**

- [Grafico a barre su SWE-Atlas-QnA con sei modelli: Mistral Large 4 Preview in arancione a 59, Beam a 35, DeepSeek-V4-Pro-](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/b8738c9a-26a6-4576-908a-169cbd8807b5.webp) — Il grafico ufficiale di Mistral confronta i punteggi su SWE-Atlas-QnA, con ML4 Preview evidenziato in arancione. Fonte: Mistral AI.
- [Grafico a barre della valutazione umana di Surge AI su cinque modelli, con Mistral Large 4 Preview in arancione a 3,7 e ](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/6a8505be-46c5-4546-b58e-1a8a6039964c.webp) — La valutazione umana di Surge AI sulla qualità del codice mette ML4 Preview al secondo posto, dietro solo a Claude Opus 5. Fonte: Mistral AI.

*Immagini: 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](https://andreapirazzini.it/blog/gpt-6-astra-openai-benchmark-prezzi), secondo la [pagina di Mistral](https://mistral.ai/news/mistral-large-4/). Il grafico ufficiale mostra **42** per ML4 e **41,5** per GPT-6 Astra.

![Grafico a barre Dense200 (bbox) con Mistral Large 4 Preview in arancione a 42, seguito da GPT-6 Astra a 41,5, Kimi K3 a 28,9 e DeepSeek-V4.1-Flash a 3,3.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/594accca-7b54-491a-a95a-93abbea266e1.webp)
*Il grafico ufficiale del test Dense200 per il bounding box: ML4 è il modello evidenziato e in testa. Fonte: Mistral AI.*

**Dense200 (bbox)** — Punteggi per modello, grafico ufficiale di Mistral

| Voce | Dense200 (bbox) |
| --- | --- |
| Mistral Large 4 Preview | 42% |
| GPT-6 Astra | 41,5% |
| Kimi K3 | 28,9% |
| DeepSeek-V4.1-Flash | 3,3% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

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.

![Grafico a barre della versione multimodale di Dense200 con Mistral Large 4 Preview in arancione a 42 e GPT-6 Astra a 41,5.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/6c977d22-7885-478d-a222-0e55930e74fd.webp)
*La versione multimodale del test Dense200, con il titolo che indica il rilevamento di bounding box. Fonte: Mistral AI.*

**Dense200 (bounding box detection), versione multimodale** — Punteggi per modello, grafico ufficiale di Mistral

| Voce | Dense200 (bbox) |
| --- | --- |
| Mistral Large 4 Preview | 42% |
| GPT-6 Astra | 41,5% |
| Kimi K3 | 28,9% |
| DeepSeek-V4.1-Flash | 3,3% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

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.

![Grafico a barre ChartQA Pro con Mistral Large 4 Preview in arancione a 63.1, Mistral Medium 3.5 a 55.4 e GPT-6 Astra a 65.1.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/fef1afbe-c0f5-49fc-a0c2-da477c96c7ec.webp)
*Il grafico ChartQA Pro, dove ML4 è secondo dopo GPT-6 Astra e Mistral Medium 3.5 è incluso come confronto. Fonte: Mistral AI.*

**ChartQA Pro** — Punteggi per modello, grafico ufficiale di Mistral

| Voce | ChartQA Pro |
| --- | --- |
| Mistral Large 4 Preview | 63,1 |
| Mistral Medium 3.5 | 55,4 |
| DeepSeek-V4.1-Flash | 59,9 |
| Kimi K3 | 61,7 |
| GPT-6 Astra | 65,1 |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre GDP.pdf di Artificial Analysis con Mistral Large 4 Preview in arancione a 18.6, Kimi K3 a 22 e GLM-5.3-Flash a 15.4.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/25a560a7-9ba4-436b-9210-c39e7b00ca07.webp)
*Il grafico GDP.pdf di Artificial Analysis, dove ML4 è evidenziato accanto a quattro altri modelli, Kimi K3 incluso. Fonte: Mistral AI.*

**GDP.pdf - Artificial Analysis** — Punteggi per modello, grafico ufficiale di Mistral

| Voce | GDP.pdf - AA |
| --- | --- |
| Mistral Large 4 Preview | 18,6 |
| DeepSeek-V4.1-Flash | 12,8 |
| GPT-5.6 Sol | 12,8 |
| GLM-5.3-Flash | 15,4 |
| Kimi K3 | 22 |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

> **Nota:** I punteggi di visione sono dichiarazioni di Mistral, letti dai grafici ufficiali: prima di scegliere un modello, verificate il test e il contesto in cui è stato misurato.

## 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](https://mistral.ai/news/mistral-large-4/).

**SciCode-Verified pass@1 (n=6)** — Punteggio per modello

| Voce | SciCode-Verified pass@1 |
| --- | --- |
| Mistral Large 4 Preview | 91,8pass@1 |
| Mistral Medium 3.5 | 70pass@1 |
| DeepSeek-V4.1-Flash | 77,9pass@1 |
| GLM-5.2 | 88,1pass@1 |
| Kimi K3 | 90,3pass@1 |
| DeepSeek-V4-Pro-0813 | 91pass@1 |
| Claude Opus 5 | 91,3pass@1 |
| MiMo-V2.6-Pro | 91,9pass@1 |
| GLM-5.3 | 92,5pass@1 |
| Qwen3.8 2.4T A95B | 93,8pass@1 |
| GPT-6 Astra | 94,2pass@1 |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre SciCode-Verified pass@1 (n=6) con dieci modelli a confronto, con Mistral Large 4 Preview evidenziata in arancione.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/c4e78138-87c5-4a8a-8d82-80661869e211.webp)
*Il grafico ufficiale di Mistral mostra il punteggio SciCode-Verified di ciascun modello, con Mistral Large 4 Preview in arancione. Fonte: Mistral AI.*

### 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.

**ML4 vs GLM-5.3 — STEM** — Distribuzione dei giudizi, valutazione interna

| Voce | ML4 vs GLM-5.3 (STEM) |
| --- | --- |
| Much Better | 7 |
| Better | 43 |
| Slightly Better | 15 |
| Tie | 22 |
| Slightly Worse | 14 |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre con la ripartizione dei giudizi STEM di ML4 contro GLM-5.3.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/0644840f-8e04-42bc-b858-ca71dde5133a.webp)
*L'immagine ufficiale mostra la ripartizione dei giudizi STEM tra ML4 e GLM-5.3 nelle cinque categorie di preferenza. Fonte: Mistral AI.*

## 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.

**B3 Agent Security Benchmark** — Attack Resistance

| Voce | Attack Resistance |
| --- | --- |
| Mistral Large 4 Preview | 93,3% |
| GLM-5.3 | 93,3% |
| GLM-5.2 | 88,1% |
| Kimi K3 | 88,1% |
| DeepSeek-V4-Pro-0813 | 85,2% |
| Kimi K2.6 | 83,8% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre intitolato B3 Agent Security Benchmark: la barra arancione di Mistral Large 4 Preview arriva a 93,3, come quella di GLM-5.3; seguono GLM-5.2 e Kimi K3 a 88,1, DeepSeek-V4-Pro-0813 a…](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/519ec63b-278f-45e9-a990-d942a33f1d6d.webp)
*Il grafico ufficiale mostra la resistenza agli attacchi: ML4 è evidenziato in arancione accanto a GLM-5.3. Fonte: Mistral AI.*

### 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.

**Refusal of Harmful Cyber Requests** — Avg. Refusal (JailbreakBench, StrongREJECT, AgentHarm)

| Voce | Avg. Refusal |
| --- | --- |
| Mistral Large 4 Preview | 95,3% |
| Kimi K3 | 93,7% |
| Kimi K2.6 | 90,7% |
| GLM-5.2 | 90% |
| GLM-5.3 | 87% |
| DeepSeek-V4-Pro-0813 | 77,7% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre intitolato Refusal of Harmful Cyber Requests: Mistral Large 4 Preview in arancione a 95,3, seguito da Kimi K3 a 93,7, Kimi K2.6 a 90,7, GLM-5.2 a 90, GLM-5.3 a 87 e…](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/f24ef1c8-d6db-42ba-ac09-b4206e31a0b9.webp)
*Il grafico ufficiale mostra la media dei rifiuti su richieste cyber: ML4 è in testa, con l'asse che parte da 70. Fonte: Mistral AI.*

### 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.

**KORA Benchmark** — KORA Aggregate Score

| Voce | KORA Aggregate Score |
| --- | --- |
| Mistral Large 4 Preview | 1,7punti (max… |
| GLM-5.3 | 1,7punti (max… |
| Kimi K3 | 1,6punti (max… |
| Kimi K2.6 | 1,6punti (max… |
| DeepSeek-V4-Pro-0813 | 1,4punti (max… |
| GLM-5.2 | 1,4punti (max… |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

![Grafico a barre intitolato KORA Benchmark: Mistral Large 4 Preview in arancione a 1,7, GLM-5.3 a 1,7, Kimi K3 e Kimi K2.6 a 1,6, DeepSeek-V4-Pro-0813 e GLM-5.2 a 1,4.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/7f243453-e820-4e4f-98cc-88c3d6e20e6a.webp)
*Il grafico ufficiale mostra il punteggio KORA aggregato, con ML4 in testa insieme a GLM-5.3. Fonte: Mistral AI.*

## 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](https://mistral.ai/news/mistral-large-4/)).

![Grafico a barre orizzontali con quote di vittorie in arancione e sconfitte in grigio per quattro modelli: GLM 5.2, GLM 5.3, Kimi K3 e Claude Opus 5.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/e18654c9-a991-4bbe-ba86-0f1b528a3502.webp)
*Il grafico Model Performance Comparison confronta quattro modelli, con la quota di Win in arancione e di Lose in grigio per ciascuno. Fonte: Mistral AI.*

**Model Performance Comparison: Win e Lose** — Quota di vittorie e sconfitte per modello

| Voce | Win (%) | Lose (%) |
| --- | --- | --- |
| GLM 5.2 | 79,5% | 20,5% |
| GLM 5.3 | 69,2% | 30,8% |
| Kimi K3 | 69,2% | 30,8% |
| Claude Opus 5 | 38,5% | 61,5% |

_Fonte: Mistral AI, valori letti dal grafico ufficiale_

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.

| Modello | Win (%) | Lose (%) |
| --- | --- | --- |
| GLM 5.2 | 79.5 | 20.5 |
| GLM 5.3 | 69.2 | 30.8 |
| Kimi K3 | 69.2 | 30.8 |
| Claude Opus 5 | 38.5 | 61.5 |

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.

![Quattro grafici a linee intitolati Training reward trends, uno per ambiente: attività di supporto clienti, flussi di lavoro aziendali tra applicazioni, modifica di fogli di calcolo Excel e risposte…](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/24cbf602-989a-4fbb-b491-a01d5718b745.webp)
*Ogni grafico mostra la ricompensa media di un ambiente di addestramento: nella maggior parte dei casi sale nel corso della sessione, con oscillazioni. Fonte: Mistral AI.*

![Tre grafici a linee con punti, uno per compito di programmazione o lavoro professionale. Ogni grafico ha una parte gialla etichettata SFT e una parte arancione etichettata RL, separate da una linea…](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/04f98b65-dbb2-477a-a850-0870975004ae/956e3f64-e11e-47a7-a714-81a1c00c8450.webp)
*Ogni grafico confronta la fase di SFT con quella di RL: la fonte indica che il miglioramento finale dipende da entrambe le fasi. Fonte: Mistral AI.*

### 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](https://andreapirazzini.it/blog/come-scegliere-a-chi-affidare-l-ai).
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](https://andreapirazzini.it/blog/chi-fa-intelligenza-artificiale-per-aziende-italia).

## Domande frequenti

**Quando escono i pesi del modello?**

Secondo Mistral, i **pesi** saranno rilasciati entro la **fine del mese** in cui è stato pubblicato l'annuncio, il **6 ottobre 2026**.

**Dove posso provare Mistral Large 4?**

È disponibile in anteprima pubblica tramite API su [Mistral Studio](https://mistral.ai/news/mistral-large-4/).

**Quanto costa?**

Per milione di token, il prezzo scontato è **$0,68** in input e **$2,09** in output, contro un listino di **$1,36** e **$4,18**. Il prezzo degli input in cache è **$0,07**, contro **$0,14** di listino. Dettagli nella [pagina del modello](https://docs.mistral.ai/models/mistral-large-4-0).

**Il modello è davvero europeo?**

Mistral dichiara che il modello è stato addestrato da zero su **3.800** GPU **NVIDIA Grace Blackwell** nei propri datacenter europei, e che l'anteprima è servita sulla stessa infrastruttura. È previsto anche un deployment europeo gestito end-to-end da Mistral, sotto legge europea.

**Quante lingue supporta?**

Mistral indica il supporto a **oltre 160 lingue**, incluse tutte le lingue ufficiali dell'Unione europea.

## Come è stato calcolato il voto

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

| Criterio | Voto | Motivo |
| --- | --- | --- |
| Prestazioni sui benchmark | 7/10 | Il modello ottiene 93% su Cybench e 82 su CyberGym-E2E (AA), ma su SciCode-Verified è 91,8 contro 94,2 di GPT-6 Astra, e i dati provengono in gran parte dal produttore. |
| Prezzo e disponibilità | 6/10 | Il prezzo scontato dell'anteprima è 0,68 in input e 2,09 in output per milione di token, contro un listino di 1,36 e 4,18, ma la durata dello sconto non è indicata. |
| Apertura e licenza | 4/10 | Il modello è presentato come open-weight, ma i pesi non sono ancora disponibili: Mistral promette il rilascio entro la fine del mese e la licenza non è specificata nelle fonti. |
| Trasparenza dei dati | 5/10 | Le fonti combinano valutazioni indipendenti (Artificial Analysis, vals.ai, Surge AI) con dati auto-dichiarati, e i valori delle tabelle sono letti da grafici ufficiali. |