Mistral Large 4 a pesi aperti: 1.000 miliardi di parametri, primo nel codice tra gli open

Il 29 ottobre 2026, poco dopo le 15 ora italiana, Mistral AI ha pubblicato i pesi di Mistral Large 4, soprannominato «Le Chonk»: il suo modello più grande, con circa 1.000 miliardi di parametri e 52 miliardi attivi. A inizio mese era uscita una versione preview usabile solo via API; ora il modello si può scaricare da Hugging Face, modificare e usare anche a fini commerciali. Secondo i test pubblicati da Mistral è il primo tra i modelli aperti nel codice, con un margine minimo.

Perché se ne parla#

Mistral AI è l'azienda francese dei modelli Mistral, e Large 4 è il suo modello di punta. La preview era stata annunciata all'inizio di ottobre; secondo il blog ufficiale, la versione con i pesi aperti arriva dopo tre settimane di addestramento aggiuntivo con rinforzo, e i risultati sono saliti in quasi tutti i test.

Il punto, per un'azienda, è il formato. Un modello a pesi aperti si può far girare sui propri server, senza mandare i dati a un fornitore esterno, e si può adattare ai propri casi. Nei confronti pubblicati da Mistral, i rivali aperti sono soprattutto cinesi: GLM, DeepSeek e Kimi. Large 4 è stato addestrato da zero su 3.800 GPU NVIDIA Grace Blackwell nei datacenter di Mistral in Europa.

In parole semplici: com'è fatto#

Large 4 è un modello Mixture of Experts: dentro ha 128 «esperti» specializzati più uno condiviso, e per ogni parola ne usa solo quattro. Per questo, pur avendo circa mille miliardi di parametri, ne attiva una piccola parte a ogni passaggio, e costa meno farlo girare di quanto la taglia faccia pensare.

• Legge testo e immagini, risponde con testo.

• Contesto da 1 milione di token: può lavorare su documenti, contratti o codebase molto lunghi in una sola richiesta.

• Oltre 160 lingue, comprese tutte le lingue ufficiali dell'Unione europea, quindi anche l'italiano.

• Tre livelli di ragionamento: low, medium e high (quello predefinito). Più ragionamento significa risposte migliori ma più token, quindi più costo e più attesa.

• Strumenti e dati strutturati: chiamata di funzioni, risposte in JSON e rispetto rigoroso di uno schema JSON, utili per collegarlo a gestionali e automazioni.

I pesi sono pubblicati in FP8 e in NVFP4, un formato compresso pensato per le GPU NVIDIA Blackwell. La community ha già preparato versioni ancora più compresse per llama.cpp.

Il codice: primo tra i modelli aperti, di poco#

Mistral presenta il codice come il punto più forte. Su FrontierCode 2.0, il test di Cognition sulla programmazione avanzata, Large 4 segna 19,7%: il valore più alto tra i modelli aperti del grafico, ma con soli 0,4 punti su DeepSeek V4.1 Flash.

Il dato più interessante è un altro: l'efficienza. Nel Coding Agent Index di Artificial Analysis, che misura i modelli come agenti di programmazione, Large 4 al livello high ottiene il 48%, contro il 49% di GLM-5.3. Ma per arrivarci usa in media 8,5 milioni di token per compito, contro 15,9 milioni. Secondo Mistral è un pareggio di fatto, con il 47% di token in meno. Meno token vuol dire bollette più basse e risposte più rapide.

Su Terminal-Bench 4.0, che misura il lavoro al terminale, il salto rispetto alla preview è il più netto: da 28% a 41,4%, con il 30% di token in uscita in meno secondo Mistral.

C'è anche una prova con persone vere. Su Surge Code, valutatori umani hanno confrontato alla cieca le risposte di due modelli sullo stesso problema. Large 4 viene preferito nel 64% dei casi contro GLM-5.3 e Kimi K3 e nel 56% contro DeepSeek V4.1 Flash. Contro Claude Opus 5.5 però vince solo nel 22% dei casi: il modello chiuso di Anthropic resta nettamente avanti.

Sicurezza: sa dire di no#

Mistral dedica una parte dell'annuncio alla sicurezza informatica, perché un modello aperto non si può ritirare dopo averlo pubblicato.

Sul Cyber Index Large 4 è terzo, dietro DeepSeek V4.1 Flash 1017 (57%) e MiMo-V2.6-Pro (56%). Mistral stessa riconosce che il modello ha un potenziale per aiutare attacchi reali e scrive che sta adattando le protezioni; una variante specializzata per la cybersicurezza è in anteprima per partner selezionati, tra cui Orange Cyberdefense.

Non solo codice: finanza e ricerca sul web#

Per il lavoro d'ufficio Mistral cita due test. Su FinWorkBench (Finch), compiti di finanza aziendale, passa dal 67,4% della preview al 73,3%, sotto Kimi K3 (77,3%). Su BrowseComp, la ricerca di informazioni difficili sul web, segna 84,5, davanti a DeepSeek V4.1 Flash (83,4) e GLM-5.3 (82,5) ma dietro Kimi K3 (91,2).

I limiti da tenere presenti#

Dove si usa e quanto costa#

Ci sono tre strade:

1. Via API, senza gestire hardware: Mistral Studio e Mistral API (con il nome mistral-large-4), OpenRouter, l'assistente di programmazione Vibe Code e Microsoft Foundry, il primo cloud a offrirlo. Con Forge di Mistral si può anche personalizzare.

2. Sui propri server, scaricando i pesi da Hugging Face e servendoli con vLLM o SGLang. Gli esempi ufficiali usano 8 GPU; la ricetta di Hugging Face Inference Endpoints su 8 GPU H200 indica circa 65 token al secondo per una singola richiesta. Secondo Hugging Face, le versioni compresse a 2 bit girano anche su un solo Mac Apple Silicon Ultra con 512 GB di memoria.

3. Per provarlo, NVIDIA offre un endpoint gratuito su build.nvidia.com con i termini di prova di NVIDIA, e Hugging Face ospita la «Le Chonk Gallery» con demo gratuite a budget limitato nella prima settimana. Mistral cita anche un container NVIDIA NIM per installarlo in casa: sulla pagina NVIDIA, per ora, c'è solo l'endpoint di prova.

I prezzi sono in dollari e Mistral non indica l'IVA.

La licenza è la Mistral Ecosystem Open-Weight License, una MIT modificata: uso, modifica, fine-tuning e uso commerciale sono liberi. Serve una licenza commerciale separata solo a chi lo offre a terzi come servizio, cioè come «model as a service».

Cosa cambia in pratica per un'azienda#

• Se i dati non possono uscire, ora c'è un'opzione europea di fascia alta. Studi professionali, sanità, pubblica amministrazione e manifattura con segreti industriali possono valutarlo su server propri o su un cloud di fiducia.

• Fate i conti con l'hardware, non solo con il prezzo. Otto GPU da data center sono un investimento serio: per molte PMI la strada sensata è partire dall'API e passare in casa solo se i volumi o la riservatezza lo giustificano.

• Scegliete il livello di ragionamento. High dà i risultati migliori ma consuma molti più token di medium: misuratelo sui vostri compiti.

• Preparate tre prove vostre. Un bug reale del vostro codice, un documento lungo da riassumere in italiano, un'estrazione in JSON da collegare al gestionale. Confrontate Large 4 con il modello che usate oggi, su costo e qualità.

• Leggete la licenza se rivendete servizi. Se il vostro prodotto è un'AI offerta ai clienti, la licenza separata vi riguarda.

Domande frequenti#

Fonti#

• Blog di Mistral AI: Mistral Large 4, 29/10/2026.

• Scheda del modello Mistral-Large-4-1T-A52B su Hugging Face, letta il 29/10/2026.

• Blog di Hugging Face: Welcome Le Chonk, 29/10/2026.

• Scheda di Mistral Large 4 su build.nvidia.com, letta il 29/10/2026.

• Post di Mistral AI su X, 29/10/2026.