Mistral Large 4: qué es, precio, benchmarks y cuándo llegan los pesos abiertos

Mistral Large 4 es el nuevo modelo grande de Mistral AI: un billón de parámetros (52.000 millones activos por token), multimodal, entrenado en Europa y con pesos abiertos prometidos para finales de octubre. Cuesta 1,36 dólares por millón de tokens de entrada y 4,18 por millón de salida en la API. Mistral lo presentó el 6 de octubre como versión preliminar (preview) en Mistral Studio, y sus propias cifras lo colocan por delante de los mejores modelos abiertos chinos en programación con agentes, automatización y ciberseguridad, aunque todavía por detrás de Claude Opus 5 en la evaluación a ciegas de Surge AI. Te explicamos qué es, cuánto cuesta, qué dicen sus benchmarks, qué significa que sea «abierto», si lo puedes ejecutar en casa y cuándo tiene sentido elegirlo.

Mistral Large 4 en datos

¿Qué es Mistral Large 4?

Mistral AI es la empresa francesa de IA más conocida de Europa, y la serie Large es su línea de modelos más capaces. Mistral Large 4 sustituye a Mistral Large 3, del que hablamos en nuestro artículo sobre la IA europea y la ley de IA, y es un salto de tamaño enorme: un billón de parámetros, la escala de los modelos frontera de las grandes empresas estadounidenses y chinas.

Como la mayoría de modelos grandes recientes, es una mezcla de expertos (MoE). En lugar de usar todos sus parámetros para cada palabra, el modelo tiene muchos «expertos» especializados y solo activa una parte para cada token: en este caso, 52.000 millones. Por eso puede tener el conocimiento de un modelo gigantesco y responder con un coste de cálculo parecido al de un modelo mediano.

Mistral lo describe como un modelo híbrido de instrucciones y razonamiento: puede responder directamente o «pensar» antes de contestar en tareas difíciles, sin tener que elegir entre dos modelos distintos. Y es multimodal de serie: entiende documentos, gráficos, fotos e incluso puede señalar dónde está un elemento concreto en una imagen (lo que Mistral llama visual grounding), algo útil para agentes que manejan interfaces.

Se entrenó desde cero, no a partir de Large 3, en 3.800 GPU NVIDIA Grace Blackwell de los centros de datos europeos de Mistral, con una fase de aprendizaje por refuerzo que la empresa dice que sigue en marcha. Es decir, la versión actual es preliminar y Mistral espera mejorarla antes de la versión final.

¿Cuánto cuesta Mistral Large 4?

En la ficha oficial del modelo, el precio de la API es de 1,36 dólares por millón de tokens de entrada y 4,18 dólares por millón de tokens de salida. Para hacerse una idea, un millón de tokens equivale a varios cientos de miles de palabras en español, el texto de varias novelas.

Es un precio intermedio. Está muy lejos de los modelos pequeños y rápidos, como Claude Haiku 5.5, que cuesta 0,10 y 0,50 dólares, pero por debajo de lo que suelen costar los modelos frontera cerrados de Anthropic, OpenAI y Google en su gama alta. La comparación justa, de hecho, no es con ellos sino con los modelos abiertos grandes chinos, como DeepSeek V4 Pro, Kimi K3 o GLM-5.3, a los que Mistral compara en sus benchmarks.

Hay un matiz importante sobre el coste real: según medidas independientes de Artificial Analysis recogidas por varios medios, la vista previa genera muchos tokens de salida en sus pruebas (es un modelo que razona en voz alta), lo que encarece cada tarea aunque el precio por token sea competitivo. Antes de presupuestar un proyecto, mide cuántos tokens gasta en tus tareas.

Algunos medios han publicado también precios rebajados de lanzamiento. Nosotros solo damos por bueno el de la ficha oficial: si usas la API, comprueba la tarifa vigente en tu panel de Mistral Studio.

Benchmarks: qué dice Mistral

Mistral ha publicado una larga lista de resultados. Todos son cifras del propio fabricante, medidas con la versión preliminar; hay que leerlas como orientación hasta que haya pruebas independientes completas.

Programación y agentes

• DeepSWE v1.1: 61,7 %. Mide la capacidad de resolver incidencias reales de repositorios de software de forma autónoma.
• SWE-Atlas-QnA: 59,4 %. Preguntas sobre bases de código grandes.
• Terminal-Bench 4: 28,3 %. Tareas en la terminal de comandos, una de las pruebas más duras para agentes.
• Coding Agent Index: 49,8 %, según Mistral por delante de DeepSeek V4 Pro y Qwen3.8 Max, aunque no publica las cifras de estos.
• Mejor resultado entre los modelos abiertos en SciCode-Verified, código científico, sin cifra publicada.

Automatización y trabajo de oficina

• AutomationBench: 59,9 %, por delante de Kimi K3, MiMo-V2.6-Pro y DeepSeek V4 Pro según Mistral.
• AA-Briefcase: 1.393 Elo, por delante de DeepSeek V4 Pro.
• En finanzas y derecho (pruebas de vals.ai), Mistral asegura que supera a GPT-6 Astra, sin dar cifras. En la prueba de agentes legales de Harvey, supera a todos los modelos abiertos.

Ciberseguridad

Es su área más destacada:

• Cybench: 93 %.
• 82 % en la prueba de reproducir y parchear vulnerabilidades del Cyber Index de Artificial Analysis, el resultado más alto de cualquier modelo según Mistral.
• Resistencia a ataques Lakera B3: 93,3 % de ataques de inyección rechazados, la más alta entre sus competidores según la empresa.

Visión e idiomas

• Dense 200 (localización visual): 42 %, frente al 41 % de GPT-6 Astra.
• KORA: 1,691 sobre 2, la mejor puntuación medida entre modelos abiertos.

La evaluación a ciegas de Surge AI

El dato más interesante no es de Mistral, sino de Surge AI, que hizo una evaluación a ciegas de programación: personas expertas puntúan de 1 a 5 las respuestas de varios modelos sin saber cuál es cuál. Es un tipo de prueba más difícil de «entrenar» que los benchmarks automáticos.

Mistral Large 4 queda segundo con 3,74, por delante de GLM-5.3 (3,60), Kimi K3 (3,59) y GLM-5.2 (3,40), pero claramente por detrás de Claude Opus 5 (4,22). Es decir: es el mejor modelo abierto de esa comparación, pero no alcanza al mejor modelo cerrado. La tabla de Mistral contiene una pequeña incoherencia (coloca a GLM-5.3 por detrás de Kimi K3 aunque su puntuación es mayor), así que conviene tomar el orden exacto con cautela.

Para quien elige un modelo para programar, la conclusión es razonable: si necesitas la máxima calidad, los modelos frontera cerrados siguen por delante; si necesitas un modelo que puedas alojar tú mismo o en Europa, Mistral Large 4 es el candidato más fuerte del momento. Lo comparamos con las herramientas de programación en nuestra guía de Cursor, Claude Code, Copilot y Codex.

Pesos abiertos: qué se sabe

Mistral promete publicar los pesos del modelo antes de que acabe octubre, de modo que cualquiera pueda descargarlo y ejecutarlo en sus propios servidores. Es la gran diferencia frente a Claude, GPT o Gemini, que solo se pueden usar a través de sus API.

Hay dos incógnitas que importan:

• La licencia. Mistral no la ha publicado. No es lo mismo una licencia Apache 2.0, que permite cualquier uso comercial, que una licencia propia con restricciones para empresas grandes o usos concretos. Hasta que se conozca, no se puede decir si será «código abierto» en sentido estricto o solo «pesos abiertos».
• La revisión de seguridad. Mistral explica que está sometiendo los pesos a pruebas de ataque (red-teaming) con socios de ciberseguridad y autoridades estatales, que tienen acceso con moderación reducida. Dado lo fuerte que es el modelo en ciberseguridad, es lógico que la publicación se haga con cuidado.

Si se publica en los plazos anunciados, Mistral Large 4 será uno de los modelos abiertos más grandes y capaces disponibles, junto a los de DeepSeek, Moonshot (Kimi) y Z.ai (GLM). Tienes el panorama completo en nuestra comparativa de los mejores modelos de IA de código abierto.

¿Se puede ejecutar en local?

En un PC doméstico, no. Aunque solo use 52.000 millones de parámetros activos por token, el modelo completo tiene que estar cargado en memoria, y un billón de parámetros es muchísimo. Haciendo cuentas aproximadas (cálculo nuestro): con cuantización a 4 bits, solo los pesos ocuparían del orden de 500 GB, y a 8 bits, del orden de 1 TB, sin contar la memoria que necesita el contexto.

Eso lo pone al alcance de servidores con varias GPU de centro de datos o de equipos con cantidades enormes de memoria unificada, no de una tarjeta gráfica de consumo. Ni siquiera una RTX 5090 con 32 GB se acerca. Para empresas, la ventaja de los pesos abiertos es poder alojarlo en su propia infraestructura o en un proveedor europeo, con los datos bajo control.

Para uso personal en local, lo sensato son los modelos medianos y pequeños, incluidos los de Mistral, que sí caben en una GPU con 16 o 32 GB de memoria o en un mini PC con mucha memoria unificada. Lo explicamos en detalle en nuestra guía de modelos de IA local según la VRAM y en la de Ollama. Si vas a montar un equipo para IA local, estas son buenas opciones:

NVIDIA GeForce RTX 5090

Con 32 GB de memoria, es la gráfica de consumo más capaz para IA local: ejecuta con soltura modelos de hasta unos 30.000 millones de parámetros cuantizados y, con algo de memoria del sistema, otros mayores.

Ver la GIGABYTE GeForce RTX 5090 Gaming OC de 32 GB en Amazon

NVIDIA GeForce RTX 5070 Ti de 16 GB

El punto medio: la misma memoria que la 5060 Ti, pero bastante más rápida generando texto, lo que se nota en modelos de razonamiento que escriben mucho antes de responder.

Ver la MSI GeForce RTX 5070 Ti Shadow 3X OC de 16 GB en Amazon

NVIDIA GeForce RTX 5060 Ti de 16 GB

La opción económica con memoria suficiente para modelos de 7.000 a 14.000 millones de parámetros, como los pequeños de Mistral.

Ver la ASUS Dual GeForce RTX 5060 Ti OC de 16 GB en Amazon

Mini PC con mucha memoria

Los mini PC con procesadores AMD Ryzen AI de última generación comparten la memoria del sistema con la gráfica integrada y permiten cargar modelos medianos sin una gráfica dedicada.

Ver el mini PC GEEKOM A9 MAX con Ryzen AI 9 HX 470 en Amazon

Mac mini con M5 Pro

La memoria unificada de los chips de Apple hace del Mac mini una de las formas más silenciosas y eficientes de ejecutar modelos medianos en casa.

Ver el Mac mini con M5 Pro en Amazon

MacBook Pro de 14" con M5 Pro

Si necesitas llevar tus modelos encima, un portátil con memoria unificada abundante permite probar modelos medianos sin conexión, y es también una buena máquina para programar contra la API de Mistral.

Ver el MacBook Pro de 14" con M5 Pro en Amazon

Tienes más opciones en nuestra guía de las mejores GPU para IA local.

Por qué importa que sea europeo

Mistral se ha convertido en la apuesta europea por una IA propia. En septiembre cerró una ronda de 3.000 millones de euros, que según la empresa financia en parte este modelo, abrió un centro en Múnich para IA industrial y anunció un acuerdo con Mozilla para llevar IA abierta y privada al navegador.

Para una empresa española, que el modelo sea europeo tiene ventajas prácticas:

• Soberanía de datos: con los pesos abiertos, puede alojarse en servidores propios o europeos, sin enviar datos a Estados Unidos o China.
• Cumplimiento normativo: facilita encajar con el RGPD y la ley de IA de la UE, que exige transparencia a los proveedores de modelos de propósito general.
• Idiomas: Mistral asegura que se entrenó con más de 160 idiomas, incluidos todos los oficiales de la UE, lo que en principio favorece el rendimiento en español, catalán, euskera o gallego frente a modelos entrenados sobre todo en inglés y chino.

No obstante, ser europeo no es una razón suficiente por sí sola: si un modelo cerrado resuelve mejor tu tarea y tus datos no son sensibles, sigue siendo la mejor opción técnica.

Limitaciones y letra pequeña

• Es una vista previa. Mistral dice que el modelo «sigue mejorando rápidamente» y que el entrenamiento por refuerzo continúa. Los resultados pueden cambiar en la versión final.
• Faltan detalles técnicos. La arquitectura, más benchmarks y el método de post-entrenamiento se publicarán más adelante. Mistral no indica en su anuncio la longitud de contexto, y las cifras que dan otros medios no coinciden entre sí.
• Más rechazos en ciberseguridad. Mistral reconoce que rechaza más peticiones relacionadas con ciberseguridad que otros modelos abiertos, sin dar cifras. Si trabajas en seguridad ofensiva legítima, puede resultar molesto.
• Gasta muchos tokens. Las mediciones independientes preliminares apuntan a que genera mucha salida, lo que eleva el coste por tarea.
• No está claro si llega a Le Chat. El anuncio solo habla de la API de Mistral Studio.

¿Cuándo usar Mistral Large 4?

Si lo que buscas es un asistente para el día a día, no una API, tienes las opciones comparadas en nuestra guía de las mejores alternativas a ChatGPT.

Cómo probarlo

1. Crea una cuenta en Mistral Studio (la consola de desarrolladores de Mistral) y genera una clave de API.
2. Busca el modelo Mistral Large 4 en la documentación de modelos; el identificador exacto aparece en la ficha de docs.mistral.ai.
3. Prueba en el área de pruebas (playground) antes de programar nada: compara sus respuestas con las del modelo que uses ahora en tus propias tareas.
4. Mide tokens y coste en el panel de uso, sobre todo si activas el razonamiento.
5. Espera a los pesos si tu objetivo es alojarlo en tu propia infraestructura, y revisa la licencia antes de comprometerte.

Lecturas relacionadas

• Mistral Large 3 y la IA europea
• Los mejores modelos de IA de código abierto
• Claude Haiku 5.5: precio y benchmarks
• Las mejores GPU para IA local