Mistral Large 4 con pesos abiertos: qué significa para las pymes el modelo europeo de un billón de parámetros

Mistral publica los pesos abiertos de Large 4. Qué ofrece el modelo europeo, sus límites reales y cómo pueden usarlo las pymes con más control de datos.

El 29 de octubre de 2026, la francesa Mistral AI publicó los pesos de Mistral Large 4, un modelo al que la propia empresa apoda "Le Chonk". Desde el 6 de octubre solo estaba disponible como vista previa de pago vía API; ahora cualquiera puede descargarlo de Hugging Face, ejecutarlo en su propia infraestructura y adaptarlo. Para las empresas europeas que se preguntan cómo usar una IA potente sin depender por completo de unos pocos proveedores estadounidenses, es la noticia de IA más relevante de la semana.

Qué se ha publicado

Según Mistral y la ficha oficial del modelo, Large 4 es un modelo mixture-of-experts nativamente multimodal con alrededor de 1 billón de parámetros, de los cuales unos 49.000 millones están activos por token (52.000 millones contando embeddings y capas de salida). Combina un modo de instrucciones y otro de razonamiento con tres niveles de esfuerzo, admite una ventana de contexto de hasta 1 millón de tokens y maneja más de 160 idiomas. Mistral afirma que lo entrenó desde cero con 3.800 GPU NVIDIA Grace Blackwell en sus propios centros de datos europeos.

Los pesos se distribuyen con la licencia "Mistral Ecosystem Open-Weight", que Mistral describe como una MIT modificada: se permiten el uso, la modificación, el ajuste fino y el uso comercial, pero quien ofrezca el propio modelo como servicio (Model-as-a-Service) necesita una licencia comercial aparte. Quien no quiera alojarlo puede usarlo a través de la API de Mistral a 0,70 dólares por millón de tokens de entrada y 2,10 dólares por millón de salida, o mediante OpenRouter, endpoints alojados por NVIDIA y Microsoft Foundry.

¿Qué tan bueno es?

Mistral presenta Large 4 como el mejor modelo de pesos abiertos para programación agéntica y ciberseguridad. Entre las cifras que publica: un 48% en el Coding Agent Index de Artificial Analysis, "prácticamente empatado" con el chino GLM-5.3 pero usando de media un 47% menos de tokens por tarea, y un 41% en Terminal-Bench 4.0, 13 puntos más que la vista previa. Son datos del propio fabricante, y la prensa independiente recuerda que los mejores modelos propietarios de OpenAI y Anthropic siguen por delante en conjunto. Fortune añade que, según Artificial Analysis, la vista previa resultaba más cara por tarea que otros modelos abiertos de inteligencia similar. En resumen: un modelo abierto de primer nivel, serio, pero no el mejor del mundo.

Por qué importa a las empresas europeas

El argumento principal no son los benchmarks, sino el control. En declaraciones a Fortune, el VP of science de Mistral, Pierre Stock, explicó que la "continuidad del negocio" es la primera petición de los clientes de sectores regulados, que temen que el acceso a los modelos cerrados pueda cortarse. Con pesos abiertos, una empresa o su proveedor de TI puede guardar una copia del modelo y ejecutarla en un centro de datos de la UE, en una nube privada o en sus propias instalaciones. Consecuencias prácticas:

  • Residencia y confidencialidad de los datos: documentos sensibles, contratos o datos de clientes pueden procesarse sin salir de una infraestructura que usted controla, lo que facilita las conversaciones sobre RGPD con clientes y auditores.
  • Independencia del proveedor: los precios, condiciones o disponibilidad de una API pueden cambiar; un modelo alojado por usted sigue funcionando.
  • Personalización: la licencia permite el ajuste fino con su terminología, productos y procedimientos.
  • Documentos largos: un contexto de 1 millón de tokens hace realista analizar de una sola vez manuales extensos, licitaciones o bases de código completas.

Una dosis de realidad para las pymes

"Abierto" no significa "funciona en un portátil". Los ejemplos de despliegue de la ficha del modelo suponen un nodo con ocho GPU de gama alta y vLLM o SGLang; un checkpoint cuantizado NVFP4 reduce la memoria necesaria, pero está pensado para hardware NVIDIA Blackwell. Para la mayoría de las pequeñas y medianas empresas, los caminos realistas son:

  1. Usarlo mediante una API alojada en la UE (Mistral opera de principio a fin un despliegue europeo) y mantener la opción de alojarlo más adelante.
  2. Pedir a su socio de nube o de TI que lo aloje en infraestructura dedicada en la UE, si los requisitos de confidencialidad justifican el coste.
  3. Elegir modelos abiertos más pequeños para tareas cotidianas como redactar, clasificar o buscar información interna, y reservar un modelo de frontera para lo que de verdad lo necesita.

Elija lo que elija, lo básico no cambia: decidir qué datos pueden entrar en cada herramienta, probar el modelo con casos reales antes de desplegarlo, mantener a una persona en el circuito para las decisiones que afectan a clientes o empleados y asegurarse de que el equipo sabe usar la IA de forma responsable. La Ley de IA de la UE pide además a cada organización que entienda su papel (proveedor o responsable del despliegue) en cada sistema de IA que utiliza.

Nuestra opinión

Mistral Large 4 no acaba con el dominio de los laboratorios estadounidenses y chinos, pero ofrece a las empresas europeas una opción creíble y de primer nivel que pueden poseer y auditar. La jugada más inteligente para una pyme no es cambiarlo todo de la noche a la mañana, sino diseñar sus procesos de IA para que el modelo que hay detrás sea sustituible: prompts y flujos claros, reglas de datos documentadas y una lista corta de alternativas ya probadas.

Es justo el tipo de decisión en la que acompañamos a los equipos en el AI Evolution Program: identificar dónde la IA aporta valor real, elegir herramientas adecuadas a sus datos y requisitos de cumplimiento y formar a las personas para usarlas bien. Si quiere evaluar modelos abiertos como Mistral Large 4 para su empresa, contacte con nosotros.

Want to bring these ideas into your company?

Let's talk →