Mistral Large 4: un billón de parámetros que ya se prueba por API y estrena pesos abiertos a fin de mes
Mistral Large 4, el modelo que la compañía francesa apodó Le Chonk, ya está en vista previa pública: 1,05 billones de parámetros, unos 49.000 millones activos por token y multimodal nativo. Se usa por API desde el 6 de octubre y los pesos abiertos llegarían a fin de mes.
Qué es Mistral Large 4 y por qué su tamaño importa
Mistral AI abrió el 6 de octubre de 2026 la vista previa pública de Mistral Large 4, su modelo más grande hasta la fecha. La compañía lo presentó con el apodo Le Chonk, un guiño que circuló primero en redes y después en la prensa técnica. En números: alrededor de 1,05 billones de parámetros totales, unos 49.000 millones activos por cada token que genera, arquitectura de mezcla de expertos (MoE) y capacidad multimodal nativa, es decir, entiende texto e imágenes con el mismo modelo.
Un billón total, cincuenta mil millones activos: qué es un MoE
Un modelo de mezcla de expertos divide su red en muchas partes especializadas y, en cada paso, activa solo unas pocas. Por eso conviven dos cifras distintas y no son intercambiables: el total (1,05 billones) indica cuánta memoria hace falta para tener el modelo cargado, y el activo (unos 49.000 millones) indica cuánto se calcula realmente por token, que es lo que manda en coste y latencia. Esa es la razón de que un modelo de un billón de parámetros pueda responder a un precio parecido al de otro mucho más pequeño.
Multimodal, contexto largo y entrenamiento europeo
La ventana de contexto llega a un millón de tokens y la entrada acepta texto e imágenes. Según Mistral, el entrenamiento se hizo en sus propios centros de datos europeos, con alrededor de 3.800 GPUs Nvidia Grace Blackwell y soporte declarado para más de 160 idiomas. Son cifras de la propia compañía: conviene tomarlas como declaración de parte, no como medición independiente.
Lee también
Qué dicen los benchmarks independientes (y qué no)
Aquí es donde un lanzamiento se separa de su nota de prensa. Los primeros números que cuentan son los de los evaluadores que no trabajan para Mistral.
El mejor fuera de EE. UU. y China, con matices
Artificial Analysis, la firma que publica el índice de inteligencia más citado del sector, puntuó a Mistral Large 4 con 38 y lo describió como el modelo más capaz procedente de fuera de Estados Unidos y China. Tom's Hardware lo resumió en la misma línea: la mejor apuesta europea, aunque los modelos abiertos chinos siguen por delante. El detalle que no hay que perder de vista es que esa puntuación corresponde a la versión en vista previa, no a una versión final.
Los modelos abiertos chinos siguen arriba en el ranking
En el mismo índice, DeepSeek V4.1 Flash, con 552.000 millones de parámetros, quedó ligeramente por encima, y el modelo de pesos abiertos mejor colocado del ranking es MiMo-V2.6-Pro, con 46. Si el criterio fuera solo el leaderboard, la conclusión sería rápida: Mistral no gana. El matiz está en qué se mide: un índice agregado mezcla pruebas muy distintas y no dice nada sobre tu caso concreto.
Precio y coste por tarea: la mitad de la comparación que casi nadie mira
El precio de lista reportado es de 1,36 dólares por millón de tokens de entrada y 4,18 por millón de salida, con un descuento de lanzamiento del 50 por ciento durante las dos primeras semanas, lo que deja la entrada en el entorno de 0,68 dólares. Artificial Analysis calcula un coste por tarea cercano a 0,57 dólares con ese descuento, más caro que alternativas abiertas como GLM-5.3-Flash (en torno a 0,25) o DeepSeek V4.1 Flash (en torno a 0,27). Traducción: Mistral Large 4 no compite por ser el más barato, compite por capacidad, control europeo y la promesa de pesos abiertos.
Pesos abiertos a fin de mes: qué significa para ti
Hoy: vista previa por API
Hoy solo hay acceso por API, con el identificador de modelo mistral-large-4, disponible en Mistral Studio y ya servido por pasarelas de terceros como Otari, la puerta de enlace de Mozilla AI. Los pesos, los archivos que permitirían ejecutar el modelo en tu propia infraestructura, todavía no se pueden descargar.
La aritmética de la memoria: por qué no cabe en un portátil
Un billón de parámetros en precisión de 16 bits ocupa del orden de dos terabytes solo en pesos. Es una estimación de orden de magnitud, no una cifra oficial, pero basta para entender el punto: el MoE obliga a tener accesible la memoria del modelo completo, no solo la de los expertos que se activan en cada paso. Self-hosting aquí significa servidor con varias GPUs, no equipo de escritorio. Si vienes del mundo de los modelos locales, este no es la siguiente parada: para eso sigue teniendo más sentido un modelo pequeño cuantizado, como contamos en la guía de IA local con Ollama.
Lo que todavía no está publicado: licencia, cuantizaciones y requisitos
La fecha prometida es "a finales de octubre" y algunos medios apuntan al 27, pero no hay día confirmado de forma oficial. Tampoco se ha publicado la licencia que tendrán los pesos, ni si habrá versiones cuantizadas oficiales, ni los requisitos de hardware. Dicho de otro modo: la parte abierta de la historia todavía no está escrita, y quien hoy prometa lo contrario está especulando.
Cómo probarlo esta semana, paso a paso
Conseguir acceso y hacer la primera llamada
Si ya tienes cuenta en Mistral Studio, la llamada es la de chat completions de siempre, cambiando el identificador de modelo:
curl https://api.mistral.ai/v1/chat/completions \
-H "Authorization: Bearer $MISTRAL_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"mistral-large-4","messages":[{"role":"user","content":"Resume este texto en dos frases."}]}'
Antes de llevarlo a producción, confirma el identificador y la ruta en la documentación oficial: los alias de vista previa cambian y el apodo no es un identificador válido.
Un test propio de cinco prompts (mejor que el leaderboard)
Un ranking general no se traduce directamente a tu producto. Cinco pruebas con tus datos dicen mucho más:
- Una tarea de código con un error real de tu repositorio y una respuesta correcta ya conocida.
- Una pregunta multimodal sobre una imagen concreta, comprobando una cifra exacta que aparezca en ella.
- Una tarea con contexto largo, para ver si mantiene el hilo o empieza a rellenar huecos.
- Una tarea de agente que deba devolver JSON estructurado, validando la respuesta contra un esquema.
- La misma tarea en un modelo abierto más pequeño, para comparar coste por respuesta completada y no solo calidad.
Qué medir: corrección, formato, latencia y coste por tarea
Mide cuatro cosas: si acierta, si respeta el formato que necesitas, cuánto tarda en percibirse y cuánto cuesta cada tarea completada. Ese último número es el que decide en producción, y sale de multiplicar los tokens reales de tu carga por el precio publicado, no de mirar la primera posición de una tabla.
Lo que este lanzamiento dice del mercado
Europa, pesos abiertos y dependencia de proveedores de EE. UU.
El argumento de Mistral no es solo técnico: es que un modelo de este tamaño se entrene íntegramente en Europa y que sus pesos se liberen. Para empresas con reglas estrictas sobre dónde se procesan sus datos, eso pesa más que dos puntos de índice. Sin exagerar: el lanzamiento de una compañía concreta no cambia el mercado por sí solo, y los pesos abiertos chinos siguen marcando el ritmo en relación capacidad-precio.
Qué vigilar en las próximas semanas
Cuatro cosas: la fecha exacta de los pesos, la licencia, si aparecen cuantizaciones oficiales y qué dicen los evaluadores independientes cuando prueben la versión final y no la vista previa. Y un detalle práctico para quien vaya a autoalojarlo: mover pesos enormes desde el almacenamiento hasta la GPU no es un problema de red, es un problema de carga del modelo. De eso trata el artículo sobre reducir la latencia de inicio en inferencia LLM con NVIDIA Run:ai Model Streamer.
Conclusión
Qué hacer hoy: si te interesa el modelo, pruébalo por API con tu propio test de cinco prompts mientras el descuento de lanzamiento siga vigente, y apunta el coste por tarea completada. Qué no hacer todavía: comprar GPUs por el hype, porque los pesos no existen como descarga y la licencia no está publicada. Cuando lleguen, aquí contaremos la segunda parte: qué se puede ejecutar de verdad, con cuánta memoria y a qué precio. Si sigues el ecosistema de modelos abiertos, este blog es buen sitio para seguir leyendo.
