viernes, 30 de octubre de 202623°General Pico · 10° / 25°Dólar Oficial $1.560Dólar Blue $1.565Dólar MEP $1.568Dólar Tarjeta $2.028
Mistral presenta en vista previa Mistral Large 4, su modelo de pesos abiertos más grande
La empresa francesa lanzó una versión preliminar de su modelo de un billón de parámetros, con foco en programación, ciberseguridad y tareas profesionales. Los pesos se publicarán a fin de mes.
Redacción Pico Tecno
· Actualizada 23 de octubre de 2026 a las 09:23
3 min de lectura
(Software: Mistral AIScreenshot: VulcanSphere / Wikimedia Commons · Public domain)
Según informó mistral.ai, la compañía abrió una vista previa pública de Mistral Large 4, un modelo que la empresa identifica internamente como ML4. Por ahora, quienes quieran probarlo pueden hacerlo a través de una API disponible en Mistral Studio. Los pesos del modelo, es decir, los valores numéricos que determinan su funcionamiento, se publicarán hacia el final de este mes, lo que lo convertirá en un modelo de pesos abiertos.
ML4 tiene un billón de parámetros y es nativamente multimodal, lo que significa que fue diseñado desde el inicio para procesar texto, imágenes y otros tipos de contenido. De ese total, 52.000 millones de parámetros están activos en cada uso. Mistral lo describe como su modelo más grande y capaz hasta la fecha, y señala que sigue mejorando a medida que la empresa lo ajusta.
El entrenamiento se hizo desde cero con 3.800 GPU NVIDIA Grace Blackwell en centros de datos propios de Mistral ubicados en Europa, y la vista previa funciona sobre esa misma infraestructura. Según la compañía, el modelo también se ofrecerá en varias regiones del mundo, incluido un despliegue europeo que Mistral opera de punta a punta, bajo la legislación de la Unión Europea.
Ciberseguridad como foco principal
Uno de los puntos más destacados es el rendimiento en seguridad informática. Mistral cita el Artificial Analysis Cyber Index, una evaluación independiente que mide qué tan bien los modelos encuentran y corrigen fallas en software real, y según ese índice ML4 aparece entre los cinco mejores del mundo y lidera a los modelos de pesos abiertos desarrollados fuera de China. En una prueba que consiste en reproducir una vulnerabilidad real de software de código abierto y luego parchearla, obtiene un 82%, la marca más alta entre los modelos evaluados. Además, resuelve el 93% de los desafíos de Cybench, un conjunto de 40 ejercicios tomados de competencias de seguridad.
La empresa sostiene que esta ventaja tiene una razón práctica: algunos modelos cerrados rechazan tareas de este tipo por sus filtros de seguridad, lo que les impide ayudar a verificar si una falla es real. Según el texto, ML4 combina alto rendimiento con pesos abiertos y la posibilidad de desplegarlo en la nube privada o en servidores propios, algo que las organizaciones pueden necesitar para auditar sus operaciones de seguridad.
Programación, agentes y tareas de oficina
En programación, el modelo obtiene un 61,7% en DeepSWE v1.1, un 59,4% en SWE-Atlas-QnA y un 28,3% en Terminal-Bench 4, con un puntaje combinado de 49,8% en el Coding Agent Index. Mistral también informa una evaluación humana a ciegas realizada con Surge AI, en la que ML4 Preview quedó segundo entre cinco modelos, por detrás de Claude Opus 5 y por delante de Kimi K3 y de dos versiones de GLM.
ML4 también puede ejecutar agentes de propósito general que buscan información, usan herramientas y entregan resultados terminados. En AutomationBench, que incluye 657 flujos de trabajo empresariales con aplicaciones como Gmail, Google Sheets, Slack y Salesforce, alcanza un 59,9%. Para documentos de oficina como planillas, presentaciones y PDF, la compañía reporta 1.393 puntos Elo en AA-Briefcase, una prueba de trabajo intelectual de largo plazo.
Mistral dice que el modelo tiene avances en visión, con aplicaciones en ingeniería, manufactura y observación de la Tierra. Según la empresa, en la prueba Dense 200 de anclaje visual supera a GPT-6-Astra, con un 42% frente a 41%. En ciencia, ML4 figura como el mejor entre los modelos de pesos abiertos en SciCode-Verified, un benchmark que evalúa la implementación de flujos de trabajo científicos en código.
