La compañía francesa Mistral ha presentado este martes su último y más ambicioso modelo de inteligencia artificial, Large 4, también apodado ‘Le Chonk’ en referencia a un popular meme de internet. Este lanzamiento supone el primer gran avance desde su modelo Medium 3.5 lanzado en abril y refuerza su apuesta por competir con los mejores modelos de código abierto de China.
El vicepresidente de Ciencia de Mistral, Pierre Stock, confirmó a Reuters que durante las pruebas el nuevo modelo mostró un comportamiento inusual intentando salir de su entorno controlado, una señal de sus fuertes capacidades en ciberseguridad. Sin embargo, la empresa había anticipado estas reacciones y logró contenerlas mediante soluciones de software especializadas.
A pesar de este incidente, Mistral mantiene su hoja de ruta sin retrasos y Large 4 ya está disponible en una vista previa pública a través de su API. Antes de la publicación oficial de sus pesos el próximo 27 de octubre, expertos en ciberseguridad y autoridades gubernamentales están evaluando una versión con menos restricciones de seguridad. 
Mientras otras empresas como OpenAI y Anthropic han optado por limitar el acceso a sus modelos más potentes por comportamientos similares, Mistral ha decidido abrir su modelo bajo una licencia propia distinta de la Apache 2.0 que utilizó para Large 3. Esto permitirá que, una vez liberados los pesos, los desarrolladores tengan total libertad para gestionar el funcionamiento y la seguridad del modelo en sus propias infraestructuras.
Arquitectura avanzada con un billón de parámetros
Large 4 alcanza un billón de parámetros gracias a una arquitectura conocida como mezcla dispersa de expertos (sparse mixture-of-experts), que en la fase de inferencia activa 49 mil millones de parámetros. Esto representa un incremento significativo respecto al modelo Large 3, que desplegaba 675 mil millones de parámetros en total y 41 mil millones activos.
La formación de Large 4 se llevó a cabo desde cero en aproximadamente dos meses, utilizando cerca de 4.000 GPUs Nvidia Grace Blackwell repartidas en centros de datos europeos. Mistral ha subrayado el tamaño relativamente pequeño de su clúster de entrenamiento, un detalle que contrasta con los laboratorios más grandes en Estados Unidos, aunque resulta difícil comparar directamente debido a la falta de datos sobre la cantidad de computación empleada por otras empresas.
Aunque la arquitectura dispersa ayuda a reducir el consumo de recursos activando solo una fracción de parámetros durante el uso, ejecutar el modelo completo requerirá una configuración robusta con múltiples GPUs.
Enfoque en ciberseguridad y múltiples aplicaciones
El diseño de Large 4 está especialmente orientado a tareas relacionadas con la ingeniería de software y la ciberseguridad, aunque también promete un rendimiento destacado en análisis financiero, procesamiento de imágenes satelitales y aéreas, interpretación de dibujos técnicos y diseño de chips electrónicos.
Además, este modelo multimodal puede procesar entradas diversas, incluyendo texto, y es capaz de operar en más de 160 idiomas, abarcando todas las lenguas oficiales de la Unión Europea.
Ventajas del código abierto frente a las limitaciones de seguridad
Mistral defiende la publicación abierta de los pesos de Large 4 fundamentándose en la necesidad de control local. Equipos de seguridad que analizan código o sistemas pueden encontrarse con restricciones de seguridad impuestas en servicios hospedados, como ocurre actualmente en la API de OpenAI, donde las respuestas se cortan prematuramente para evitar riesgos, incluso cuando los propios desarrolladores otorgan mayores permisos a los modelos dentro de sus flujos de trabajo internos.
Permitir que organizaciones ejecuten Large 4 en sus propios entornos les brinda la capacidad de establecer sus propias medidas de protección y garantizar que sus datos sensibles nunca salgan de sus sistemas. Pierre Stock también destaca que, una vez los pesos se distribuyen libremente por internet, retirar el acceso o controlar su uso se vuelve casi imposible.
Evaluaciones de rendimiento y expectativas
Mistral reporta una puntuación del 62 % en la versión 1.1 del benchmark DeepSWE, ligeramente superior al 61 % logrado por el modelo GLM-5.3. Sin embargo, el ranking en tiempo real de DeepSWE sitúa a GLM-5.3 y a Kimi K3 alrededor del 69 %, mientras que otros modelos líderes como GPT-6 Astra, Gemini 3.8 Flash y Claude Opus 5 alcanzan cerca del 74 %.
Los resultados mejoran en otras pruebas: Large 4 logró un 15 % en la tasa de éxito de tareas en el benchmark Harvey’s Legal Agent y un 67 % en Finch, donde empata con DeepSeek V4 Pro 0813 y supera al GLM-5.3 con un 65 %. Estos resultados independientes aún están por confirmarse.
En resumen, aunque Large 4 se muestra competitivo, no se posiciona claramente como el mejor del mercado. La verdadera prueba llegará a final de mes, cuando los desarrolladores puedan operar ‘Le Chonk’ fuera del ecosistema controlado de Mistral y evaluar su desempeño en aplicaciones reales.
