Mistral Large 4 chega em prévia com 1 trilhão de parâmetros e foco em segurança e código

O que a Mistral anunciou

Em 6 de outubro de 2026, a Mistral AI↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → publicou a prévia pública do Large 4, tratado oficialmente como "le Chonk" e apelidado internamente de ML4. O modelo já está disponível via API de prévia no Mistral Studio, mas os pesos abertos só devem sair ao final deste mês, segundo o anúncio da empresa.

O ML4 é um modelo nativamente multimodal com 1 trilhão de parâmetros no total e 49 bilhões de parâmetros ativos por inferência, características de arquitetura mixture-of-experts. A Mistral descreve o Large 4 como seu modelo mais capaz até hoje e afirma que ele supera qualquer modelo de pesos abertos desenvolvido nos EUA ou na Europa, com desempenho competitivo em relação aos modelos de código aberto mais fortes do mercado global.

Até o lançamento dos pesos, a empresa diz estar fazendo red-teaming do modelo com líderes de cibersegurança↳Segurança171 conteúdosCibersegurança no Brasil: 6 passos para sair da estagnaçãoDevSecOps · jul 2025O papel do CISO para transformar a cibersegurança em uma alavanca de reputação para as empresasDevSecOps · mar 2024Itaipu Parquetec e Exército Brasileiro realizam exercício de cibersegurança em BrasíliaDev (Back & Front) · set 2025Ver tudo em DevSecOps →, parceiros validados e autoridades estatais, que recebem acesso à mesma base com moderação reduzida e capacidades cibernéticas ampliadas.

Os números que interessam a quem programa

Para quem constrói software, o ponto mais relevante do anúncio são os benchmarks de código e tarefas agênticas. A Mistral reporta 61,7% no DeepSWE 1.1, 59,4% no SWE-Atlas-QnA e 28,3% no Terminal-Bench 4. O índice combinado de agentes de código (Coding Agent Index) fica em 49,8%, à frente do DeepSeek V4 Pro 0813 e do Qwen3.8 Max.

A empresa também rodou uma avaliação humana cega com a Surge AI, em que anotadores profissionais classificaram a qualidade de saída de código em escala de 1 a 5, sem saber qual modelo gerou cada resposta.

O Large 4 ficou em segundo lugar entre cinco modelos avaliados, atrás apenas do Claude Opus 5. Em tarefas agênticas mais amplas, o modelo marca 59,9% no AutomationBench, um conjunto de 657 fluxos de trabalho corporativos que envolvem Gmail, Google Sheets, Slack e Salesforce, superando Kimi K3, MiMo-V2.6-Pro e DeepSeek V4 Pro. No AA-Briefcase, que avalia trabalho de conhecimento de longo horizonte (planilhas, slides, PDFs), o modelo chega a 1.393 Elo, também à frente do DeepSeek V4 Pro.

Cibersegurança sem as travas dos modelos fechados

O ângulo mais incomum do anúncio é o posicionamento explícito do Large 4 como ferramenta de cibersegurança ofensiva e defensiva. No Artificial Analysis Cyber Index, avaliação independente de quão bem um modelo encontra e corrige falhas de segurança em software real, o ML4 fica entre os cinco melhores do mundo e lidera por larga margem entre os modelos de pesos abertos desenvolvidos fora da China.

Em um dos testes do índice, que pede para o modelo reproduzir uma vulnerabilidade real em software open source e depois corrigi-la, o Large 4 marca 82%, a maior pontuação registrada por qualquer modelo até agora. No Cybench, conjunto de 40 exercícios de competições de segurança, o modelo resolve 93% dos desafios.

A Mistral destaca que modelos fechados concorrentes, incluindo o Claude Opus 5.5 e o GPT-6 Astra, pontuam perto de zero no mesmo teste porque se recusam a executar a tarefa. A empresa argumenta que defender software frequentemente exige provar que uma falha é real, exatamente o tipo de trabalho que filtros de segurança em modelos fechados bloqueiam, e que isso importa ainda mais à medida que atacantes já fazem jailbreak desses mesmos modelos para uso ofensivo.

Nos testes internos da empresa, o modelo também se mostrou útil em análise de malware, priorização de vulnerabilidades e escrita de regras de detecção, tarefas para as quais não foi explicitamente treinado. Para organizações que precisam de IA soberana e auditável em operações de segurança, a promessa é rodar o modelo em nuvem privada ou on-premise.

Infraestrutura europeia e o dinheiro por trás

O Large 4 foi treinado do zero em 3.800 GPUs NVIDIA Grace Blackwell, em datacenters próprios da Mistral na Europa, e a prévia pública roda na mesma infraestrutura. A empresa afirma que isso é um marco do investimento de longo prazo em infraestrutura, pesquisa e produto, com desempenho de ponta entregue via pesos abertos para dar controle às organizações sobre sua IA.

O modelo ficará disponível em múltiplas regiões, incluindo uma implantação europeia operada pela própria Mistral, independente de outros provedores de serviços digitais e sob legislação europeia. Uma fatia relevante dos dados de treinamento é multilíngue, cobrindo mais de 160 idiomas, incluindo todos os idiomas oficiais da União Europeia.

O Large 4 é o primeiro marco do roteiro financiado pela rodada Série D de €3 bilhões da Mistral, a maior rodada de capital já levantada por uma empresa europeia de tecnologia. A empresa diz que a execução de reinforcement learning por trás da prévia ainda está em andamento, sem sinais de saturação, e que espera melhorias rápidas nas próximas semanas e meses com a expansão da capacidade de computação.

Preço, acesso e o que ainda falta

A API de prévia cobra US$ 1,36 por milhão de tokens de entrada e US$ 4,18 por milhão de tokens de saída, já disponível no Mistral Studio. Para quem decide hoje qual modelo usar num projeto agêntico ou de automação, é um preço competitivo frente a outros modelos de ponta, mas que ainda não vem com pesos para self-hosting.

Isso é relevante para equipes brasileiras em setores regulados, como financeiro e saúde, que costumam preferir rodar modelos localmente por questões de residência de dados e LGPD↳LGPD14 conteúdosComo utilizar a LGPD com o objetivo de conformidade e inovação?Gestão Dev & TI · out 2021LGPD coloca pressão inédita nos responsáveis pela tecnologia das empresasData · ago 2021Proteção de dados: LGPD é sancionada e começa a valerData · set 2020Ver tudo em Gestão Dev & TI →: a promessa de deploy on-premise só se torna verificável quando os pesos saírem, previstos para o fim de outubro de 2026. A Mistral também não detalhou, neste anúncio, a licença sob a qual os pesos serão distribuídos, nem publicou ainda o paper de arquitetura completo, os benchmarks adicionais prometidos ou a metodologia de pós-treinamento, itens que a própria empresa diz que virão junto com o lançamento dos pesos.

Vale notar também que o Large 4 apresenta taxas de recusa mais altas que outros modelos de pesos abertos em prompts de cibersegurança maliciosos (medidos via JailbreakBench, StrongREJECT e AgentHarm), e resiste a 93,3% dos ataques no benchmark público B3 da Lakera, o maior índice entre os concorrentes citados. Para times que avaliam adotar o modelo em pipelines de segurança ofensiva legítima (red team, bug bounty), essa combinação de alta capacidade técnica com recusa seletiva de uso malicioso é o diferencial que a Mistral está vendendo.

Fonte: Hacker News