Mistral Vuelve: Le Chonk Supera a GPT-6 Astra y Claude

Mistral ha estado bastante callado en la gama alta durante un tiempo. Mistral Large 3 se lanzó en diciembre de 2025 y, desde entonces, la conversación sobre modelos de vanguardia de código abierto se ha centrado en Kimi, DeepSeek, GLM y Qwen.

Prueba Apidog hoy

El 6 de octubre de 2026, Mistral respondió con Mistral Large 4, un modelo de 1 billón de parámetros al que el equipo llama “Le Chonk”.

El titular es un benchmark de ciberseguridad: Large 4 obtiene un 82%, mientras que Claude Opus 5.5 y GPT-6 Astra puntúan cerca de cero. El dato aparece en la página de lanzamiento de Mistral, pero requiere contexto: esos modelos cerrados rechazan la tarea. En este artículo verá qué mide ese resultado, las especificaciones, el precio y los escenarios donde Large 4 todavía pierde.

TL;DR

• Qué es: un modelo de mezcla de expertos con 1.05 billones de parámetros totales, 49 mil millones de parámetros activos, un codificador de visión de 1.6 mil millones, entrada de texto e imagen y una ventana de contexto de 1 millón de tokens.
• Cómo usarlo: está disponible en vista previa pública mediante la API de Mistral como mistral-large-4.
• Pesos: Mistral indicó que llegarían a finales de octubre de 2026; la licencia aún no se ha publicado.
• Precio: $1.36 de entrada y $4.18 de salida por millón de tokens como precio de lista. Durante la vista previa se muestra a $0.68 / $2.09. La entrada en caché cuesta $0.07.
• Resultado cibernético: obtiene 82% en la prueba de reproducción de vulnerabilidades del Índice Cibernético de Artificial Analysis. Opus 5.5 y Astra puntúan cerca de cero porque rechazan la tarea.
• Principal limitación: en codificación evaluada por humanos, Claude Opus 5 obtuvo 4.22 y Large 4 obtuvo 3.74.

Por qué “Mistral ha vuelto” es una afirmación razonable

Durante gran parte de 2026, los modelos abiertos más potentes procedían de China. Mistral continuó lanzando modelos —Medium 3.5, Devstral 2 y Small 4—, pero sin un modelo que compitiera directamente con los modelos cerrados de frontera.

Large 4 cambia esa posición. Mistral afirma que “supera significativamente a cualquier modelo de código abierto desarrollado en EE. UU. o Europa” y apoya esa afirmación con elementos relevantes para equipos europeos:

• Entrenamiento desde cero en 3,800 GPU NVIDIA Grace Blackwell.
• Infraestructura ubicada en centros de datos europeos de Mistral.
• Cobertura de más de 160 idiomas, incluidos todos los idiomas oficiales de la UE.
• Lanzamiento posterior a una ronda Serie D de 3 mil millones de euros, que Mistral describe como la mayor ronda de capital levantada por una empresa tecnológica europea.

El momento también importa. Large 4 llegó poco después de que Reflection presentara su modelo abierto Beam, añadiendo un tercer contendiente relevante a la competencia de modelos abiertos entre Estados Unidos, Europa y China.

El titular de ciberseguridad: qué mide y qué no mide

El Índice Cibernético de Artificial Analysis incluye una prueba donde se pide al modelo reproducir una vulnerabilidad real en software de código abierto y después aplicar un parche. Mistral informa que Large 4 obtiene un 82%, la puntuación más alta de cualquier modelo.

Mistral también señala que varios modelos cerrados, incluidos Claude Opus 5.5 y GPT-6 Astra, puntúan cerca de cero porque se niegan a realizar la tarea.

Interprete el resultado así:

Afirmación	Qué significa realmente
“Large 4 vence a Astra y Opus 5.5 en ciberseguridad”	En esta prueba, los modelos cerrados rechazan responder. Large 4 responde y suele completar la tarea.
“Large 4 es el mejor modelo de hacking”	No está demostrado. Rechazar una solicitud es una decisión de política, no necesariamente un límite de capacidad.
“Large 4 es inseguro”	Tampoco está demostrado. Mistral informa que su tasa media de rechazo ante solicitudes cibernéticas de JailbreakBench, StrongREJECT y AgentHarm es superior a la de otros modelos abiertos.

Hay capacidad técnica detrás del titular. Según Mistral, Large 4 también:

• Resuelve el 93% de Cybench, un conjunto de 40 ejercicios capture-the-flag.
• Resiste el 93.3% de los ataques en B3 Agent Security Benchmark.

Para equipos de seguridad, el caso práctico es claro: usar un modelo autoalojable para reproducir y corregir una CVE en código propio, sin depender exclusivamente de los filtros de política de un proveedor externo.

Para equipos de API, esto puede ser útil para revisar implementaciones en staging, analizar flujos de autenticación o generar propuestas de parches que después deben validarse mediante pruebas automatizadas y revisión humana.

Dónde Large 4 supera a GPT-6 Astra fuera de ciberseguridad

El benchmark de ciberseguridad genera más ruido, pero hay otras comparaciones donde ambos modelos sí intentaron completar la tarea:

Benchmark	Mistral Large 4	GPT-6 Astra	Notas
Dense 200, fundamentación visual	42%	41%	Ventaja de un punto: real, pero estrecha.
Finance Agent v2 (vals.ai)	Por delante	Por detrás	Mistral informa el ranking, no las puntuaciones.
Harvey Legal Agent Benchmark	Mejor modelo abierto	Listado	No se publicó una cifra de enfrentamiento directo.

Frente a otros modelos abiertos, Mistral informa una diferencia mayor:

Benchmark	Mistral Large 4	A quién supera
AutomationBench, 657 flujos de trabajo	59.9%	Kimi K3, DeepSeek V4 Pro
AA-Briefcase, trabajo de conocimiento	1,393 Elo	DeepSeek V4 Pro
DeepSWE v1.1, codificación	61.7%	Lidera los modelos abiertos
SWE-Atlas-QnA	59.4%	—
Terminal-Bench 4.0	28.3%	—

Estos resultados fueron reportados por Mistral para un modelo en vista previa. Ningún laboratorio independiente los había reproducido todavía, y Euronews informó que el aprendizaje por refuerzo aún estaba terminando en el momento del lanzamiento.

Úselos como una señal para evaluar el modelo en sus propios flujos, no como un veredicto definitivo.

Dónde todavía pierde

Mistral publicó una comparación donde un modelo cerrado gana claramente. En una evaluación humana de calidad de código realizada por Surge AI, Large 4 Preview quedó en segundo lugar:

Modelo	Puntuación de codificación humana, sobre 5
Claude Opus 5	4.22
Mistral Large 4 Preview	3.74
GLM-5.3	3.60
Kimi K3	3.59
GLM-5.2	3.40

Large 4 supera a los principales modelos abiertos chinos evaluados, pero queda a casi medio punto de Claude Opus 5. La descripción de Mistral —“cerrando la brecha” con los modelos de frontera en codificación— es una lectura razonable.

También hay una ausencia importante: los materiales de lanzamiento no incluyen una comparación con Claude Fable 5.1 ni con GPT-6 Sol. Si necesita justificar una migración, pida resultados reproducibles para las tareas que importan a su equipo.

Especificaciones de un vistazo

Especificación	Mistral Large 4
ID del modelo en API	mistral-large-4
Alias	mistral-large-4-0
Versión	26.10, vista previa pública
Arquitectura	Mezcla de expertos, instrucción y razonamiento híbrido
Parámetros	1.05T totales, 49B activos, codificador de visión de 1.6B
Ventana de contexto	1 millón de tokens
Entrada	Texto e imágenes
Razonamiento	Parámetro reasoning_effort: "high" o "none"
Herramientas	Llamada a funciones, salidas estructuradas y herramientas de agente integradas
Endpoints	/v1/chat/completions, /v1/conversations, /v1/agents, /v1/batch
Pesos	Abiertos para finales de octubre de 2026; licencia pendiente de publicación

Precio: cómo estimar el coste real

La página de precios de Mistral muestra Large 4 a la mitad de su precio de lista durante la vista previa:

Modelo	Entrada / 1M	Salida / 1M	Pesos abiertos
Mistral Large 4, precio de vista previa	$0.68	$2.09	Sí, finales de octubre
Mistral Large 4, precio de lista	$1.36	$4.18	Sí, finales de octubre
Claude Opus 5.5	$4.00	$20.00	No
GPT-6 Astra	$10.00	$50.00	No

Con el precio de vista previa, la salida de Large 4 cuesta aproximadamente una veinticuatroava parte de la salida de Astra. Incluso al precio de lista, sigue siendo aproximadamente 12 veces más barata en salida.

La entrada en caché baja a $0.07 por millón de tokens. Esto es especialmente relevante para agentes que reenvían en cada turno:

• El mismo prompt de sistema.
• Esquemas JSON.
• Definiciones de herramientas.
• Contexto de una especificación OpenAPI.

Mistral no indicó cuándo termina el descuento de vista previa. Para presupuestos de producción, use el precio de lista.

¿Debería cambiar?

Pruébelo ahora si

• Ejecuta agentes o automatizaciones de trabajo de conocimiento y actualmente paga precios de frontera.
• Necesita respuestas multilingües en idiomas de la UE o inferencia alojada en la UE.
• Realiza seguridad defensiva y encuentra rechazos al intentar reproducir vulnerabilidades legítimas.
• Quiere evaluar un modelo de clase frontera que podrá autoalojar cuando se publiquen los pesos.

Espere si

• La calidad de código es su métrica principal: Claude sigue liderando en la evaluación humana publicada.
• Necesita benchmarks independientes para defender la decisión en una revisión técnica o de compras.
• Ya ejecuta Large 3 en producción: la versión actual es una vista previa y Mistral aún no ha publicado un ID de versión estable.

Cómo probar Large 4 con sus propias APIs en Apidog

Los benchmarks miden tareas definidas por terceros. Para decidir si Large 4 encaja en su stack, ejecútelo contra sus propios prompts, contratos y casos de prueba.

Apidog permite guardar y comparar solicitudes sin escribir código de integración adicional.

1. Guarde la solicitud base

Cree una solicitud:

POST https://api.mistral.ai/v1/chat/completions
Authorization: Bearer {{MISTRAL_API_KEY}}
Content-Type: application/json

Use una variable de entorno para la clave:

MISTRAL_API_KEY=tu_clave_de_mistral

Como cuerpo, empiece con un caso representativo:

{
  "model": "mistral-large-4",
  "reasoning_effort": "high",
  "messages": [
    {
      "role": "user",
      "content": "Analiza este error de API y devuelve una propuesta de corrección en JSON."
    }
  ]
}

2. Clone la solicitud para comparar modelos

Duplique la solicitud y cambie solo el campo model.

Por ejemplo:

{
  "model": "mistral-large-4",
  "messages": [
    {
      "role": "user",
      "content": "{{PROMPT_DE_PRUEBA}}"
    }
  ]
}

Frente a:

{
  "model": "{{MODELO_ACTUAL}}",
  "messages": [
    {
      "role": "user",
      "content": "{{PROMPT_DE_PRUEBA}}"
    }
  ]
}

Compare en cada ejecución:

• Código HTTP.
• Latencia.
• Tamaño de respuesta.
• Calidad del contenido.
• Bloque usage.
• Tokens de entrada y salida.
• Coste estimado por caso.

3. Añada aserciones de regresión

No se limite a inspeccionar una respuesta manualmente. Convierta el experimento en una prueba repetible.

Compruebe, como mínimo:

• Estado HTTP 200.
• Respuesta no vacía.
• Presencia de los campos requeridos.
• Conformidad con el esquema JSON si pidió salida estructurada.
• Ausencia de texto fuera del JSON cuando el consumidor lo requiera.

Un ejemplo de salida estructurada podría ser:

{
  "model": "mistral-large-4",
  "messages": [
    {
      "role": "user",
      "content": "Devuelve una propuesta de corrección para esta incidencia."
    }
  ],
  "response_format": {
    "type": "json_object"
  }
}

4. Ejecute la misma batería en cada actualización

Agrupe las solicitudes en un escenario de prueba y vuelva a ejecutarlas cuando:

• Mistral actualice la vista previa.
• Cambie el ID del modelo.
• Se publiquen los pesos.
• Modifique prompts de sistema o definiciones de herramientas.
• Cambie su especificación OpenAPI.

Así podrá detectar una regresión de calidad, coste o latencia antes de que llegue a producción.

Large 4 encaja especialmente en dos flujos de API:

1. Revisión de seguridad: úselo como segundo revisor para pruebas de seguridad de API, por ejemplo para analizar un posible bypass de autenticación en un entorno de staging.

2. Agentes basados en OpenAPI: convierta una especificación diseñada en Apidog en definiciones de herramientas que un agente pueda invocar mediante llamada a funciones.

Para un recorrido completo con claves, razonamiento, imágenes, llamada a funciones y cálculo de costes, consulte la guía de la API de Mistral Large 4.

Si viene de un modelo Mistral anterior, los fundamentos de la API de Mistral AI y la guía de la API de Mistral Medium 3.5 siguen siendo aplicables: misma URL base, misma autenticación y nuevo ID de modelo.

Preguntas frecuentes

¿Mistral Large 4 es de código abierto?

Es un modelo de pesos abiertos (open-weight). Mistral indicó que los pesos se publicarían a finales de octubre de 2026. La licencia todavía no se ha publicado, por lo que no debe asumirse que coincide con la licencia Apache 2.0 de Large 3.

¿Mistral Large 4 realmente supera a GPT-6 Astra?

Según los resultados publicados por Mistral, sí en fundamentación visual —42% frente a 41%— y en Finance Agent v2. En la prueba de vulnerabilidades cibernéticas, Astra puntúa cerca de cero porque rechaza la tarea; no es una victoria directa comparable.

¿Supera a Claude?

No en codificación evaluada por humanos. Claude Opus 5 obtiene 4.22 frente a 3.74 de Large 4 Preview. Claude Opus 5.5 también rechaza la tarea de reproducción cibernética, por lo que puntúa cerca de cero en ese benchmark.

¿Qué significa “Le Chonk”?

Es el apodo no oficial de Mistral para el modelo, una broma sobre su tamaño. El nombre oficial es Mistral Large 4, o ML4.

¿Puedo usarlo gratis?

El plan gratuito de Mistral incluye $10 mensuales en créditos de API y acceso a sus modelos más recientes en Le Chat y Vibe. Con el precio de vista previa, $10 equivalen aproximadamente a 4.8 millones de tokens de salida de Large 4.

Conclusión

Mistral vuelve a competir en la conversación de modelos de frontera. Según los números de Mistral, Large 4 es el modelo abierto más potente fuera de China, cuesta una fracción de Astra u Opus 5.5 y estará disponible para autoalojamiento cuando lleguen los pesos.

La frase “vence a Astra y Claude en ciberseguridad” necesita contexto: el resultado depende en parte de que los modelos cerrados rechazan la tarea. En codificación, la lectura más precisa es que Large 4 ocupa el segundo lugar tras Claude.

La decisión práctica es sencilla: pruébelo contra sus propias APIs, prompts y esquemas mientras dura el precio de vista previa. Para una decisión de producción, espere benchmarks independientes y valide el comportamiento con su propia batería de regresión.