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

_Mistral pubblica i pesi di «Le Chonk»: contesto da 1 milione di token, licenza MIT modificata, 0,70 $ in entrata via API. Benchmark, limiti, hardware e cosa cambia per le aziende._

Fonte: https://andreapirazzini.it/blog/mistral-large-4-pesi-aperti-le-chonk-benchmark-licenza · 30 ottobre 2026

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

## In breve

- Il 29 ottobre 2026 Mistral AI ha pubblicato su Hugging Face i pesi di Mistral Large 4, il suo modello più grande.
- Il modello ha circa 1.000 miliardi di parametri, 52 miliardi attivi, contesto da 1 milione di token e legge testo e immagini.
- Secondo Mistral è primo tra i modelli aperti su FrontierCode 2.0 con 19,7%, appena sopra DeepSeek V4.1 Flash (19,3%).
- Su Terminal-Bench 4.0 passa dal 28% della preview al 41,4%; contro Claude Opus 5.5 viene preferito solo nel 22% dei confronti.
- Via API costa 0,70 dollari per milione di token in entrata e 2,10 in uscita; la licenza è una MIT modificata.

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.

- **1.000 mld** Parametri totali circa, di cui 52 miliardi attivi
- **1 milione** Token di contesto, il testo che tiene a mente in una volta
- **41,4%** Su Terminal-Bench 4.0, contro il 28% della preview
- **0,70 $** Prezzo API per milione di token in entrata, 2,10 $ in uscita

_Fonte: Blog ufficiale di Mistral e scheda del modello su Hugging Face, verificati il 29/10/2026_

## 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.

![Immagine ufficiale di Mistral Large 4 «Le Chonk»: un grosso gatto arancione in pixel art accanto a un gatto nero più piccolo](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/e8478d53-46b8-4d19-a5af-db584ba0d3dc/f4fd59be-ec49-4540-bb01-772e7fc8b988.jpg)
*L'immagine con cui Mistral ha annunciato Large 4 a pesi aperti. Immagine: Mistral AI.*

## 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.

![Grafico ufficiale di FrontierCode 2.0: Mistral Large 4 19,7%, DeepSeek V4.1 Flash 19,3%, GLM-5.3 17,8%, Kimi K3 17,3%, GLM-5.3 Flash 14,2%, Beam 1.0 2,9%](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/e8478d53-46b8-4d19-a5af-db584ba0d3dc/52da07c5-a99e-4744-8ccb-6d64391350a1.jpg)
*FrontierCode 2.0 di Cognition. Grafico: Mistral AI.*

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.

![Grafico ufficiale del Coding Agent Index di Artificial Analysis rispetto ai token usati per compito, con Mistral Large 4 High e Medium a confronto con GLM-5.3, DeepSeek V4.1 Flash 1017 e Kimi K3](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/e8478d53-46b8-4d19-a5af-db584ba0d3dc/5c0cc937-4883-4f66-8bb0-5a8992c30e6a.jpg)
*Coding Agent Index e token per compito. Grafico: Mistral AI.*

[Animazione: Punteggio quasi pari a GLM-5.3 con circa metà dei token: i dati del grafico Artificial Analysis pubblicato da Mistral.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/e8478d53-46b8-4d19-a5af-db584ba0d3dc/79214b25-44cd-4059-9ec7-04d121034f24.mp4)

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.

**Terminal-Bench 4.0** — Percentuale di compiti risolti al terminale, più alto è meglio

| Voce | Punteggio |
| --- | --- |
| Mistral Large 4 | 41,4% |
| GLM-5.3 | 40% |
| DeepSeek V4.1 Flash 1017 | 31% |
| Mistral Large 4 preview | 28% |
| Kimi K3 | 21% |

_Fonte: Blog ufficiale di Mistral, grafico Artificial Analysis, 29/10/2026_

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.

| Test | Cosa misura | Mistral Large 4 | Preview | GLM-5.3 | Kimi K3 |
| --- | --- | --- | --- | --- | --- |
| Rifiuto di richieste cyber dannose | Quante richieste malevole rifiuta | **96,6%** | 95,3% | 87,1% | 93,6% |
| B3 Agent Security | Resistenza agli attacchi quando lavora da agente | **97,1%** | 93,3% | 93,3% | 88,1% |
| Cyber Index di Artificial Analysis | Capacità offensive e difensive | 51% | n.d. | 36% | 41% |

![Grafico ufficiale del tasso di rifiuto delle richieste cyber dannose: Mistral Large 4 97%, preview 96%, Kimi K3 94%, GLM-5.3 87%, Gemma-4-31B 84%, DeepSeek-V4-Pro 51%](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/e8478d53-46b8-4d19-a5af-db584ba0d3dc/cdb3155e-2df1-495e-834c-396ee584bab5.jpg)
*Rifiuto delle richieste cyber dannose. Grafico: Mistral AI.*

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

| Limite | Cosa significa |
| --- | --- |
| Dati del produttore | Tutti i grafici sono pubblicati da Mistral, anche quando i test sono di terzi come Artificial Analysis o Cognition |
| Margini piccoli | Su FrontierCode il vantaggio è di 0,4 punti; nel Coding Agent Index è un punto sotto GLM-5.3 |
| Non è il più forte in assoluto | Contro Claude Opus 5.5 viene preferito solo nel 22% dei confronti |
| Indice generale | Nell'Intelligence Index v5 di Artificial Analysis ha 26 punti: il più alto tra i modelli aperti occidentali, ma sotto i migliori aperti cinesi |
| Hardware | Gli esempi ufficiali per farlo girare usano 8 GPU di fascia data center |
| Licenza | Chi vuole rivenderlo come servizio deve chiedere una licenza commerciale separata |
| Pagina docs | La pagina della documentazione era ancora quella della preview al 29/10/2026 |

## 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.

| Prezzo API | Per milione di token |
| --- | --- |
| Input | 0,70 $ |
| Input già in cache | 0,07 $ |
| Output | 2,10 $ |

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».

[Animazione: Dove si usa Mistral Large 4, quanto costa via API e cosa permette la licenza, secondo Mistral.](https://xfzvzyxtnexwldhdjrdj.supabase.co/storage/v1/object/public/blog-media/posts/e8478d53-46b8-4d19-a5af-db584ba0d3dc/f358d7c2-c451-40fb-ad3d-6580e0f962fc.mp4)

## 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

**Che cos'è Mistral Large 4?**

È il modello più grande di Mistral AI: circa mille miliardi di parametri, di cui 52 miliardi attivi, contesto da un milione di token, testo e immagini in ingresso. Dal 29 ottobre 2026 i pesi sono pubblici su Hugging Face.

**Cosa vuol dire pesi aperti?**

Che il modello si può scaricare e far girare sui propri server, modificare e adattare, invece di usarlo solo tramite il servizio del produttore.

**Si può usare a fini commerciali?**

Sì. La licenza è una MIT modificata che permette uso commerciale, modifica e fine-tuning. Serve una licenza separata solo per offrirlo ad altri come servizio di modello.

**Quanto costa via API?**

0,70 dollari per milione di token in entrata, 0,07 per quelli già in cache e 2,10 per quelli in uscita. Mistral non indica l'IVA.

**Che hardware serve per farlo girare in casa?**

Gli esempi ufficiali usano 8 GPU da data center. Secondo Hugging Face le versioni compresse a 2 bit girano anche su un solo Mac Apple Silicon Ultra con 512 GB di memoria, con qualità e velocità da verificare.

**È il modello migliore per programmare?**

Secondo i test pubblicati da Mistral è il primo tra i modelli aperti su FrontierCode 2.0, ma con un margine minimo, e resta dietro a Claude Opus 5.5 nei confronti con valutatori umani.

## Fonti

- [Blog di Mistral AI: Mistral Large 4](https://mistral.ai/news/mistral-large-4-oss/), 29/10/2026.
- [Scheda del modello Mistral-Large-4-1T-A52B su Hugging Face](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B), letta il 29/10/2026.
- [Blog di Hugging Face: Welcome Le Chonk](https://huggingface.co/blog/mistral-large4), 29/10/2026.
- [Scheda di Mistral Large 4 su build.nvidia.com](https://build.nvidia.com/mistralai/mistral-large-4-1t-a52b/modelcard), letta il 29/10/2026.
- [Post di Mistral AI su X](https://x.com/MistralAI/status/2115811242556137820), 29/10/2026.

[Prenota una call con Andrea](https://andreapirazzini.it/prenota)