--- title: "Mistral Large 4: 1 billón de parámetros, 49.000 millones activos y pesos abiertos" description: "Mistral ha presentado Large 4 , un modelo multimodal de 1 billón de parámetros que activa 49.000 millones en cada ejecución y que la compañía sitúa como su nueva apuesta para competir en programación,..." url: https://revistacloud.com/mistral-large-4-1-billon-de-parametros-49-000-millones-activos-y-pesos-abiertos/ date: 2026-10-07 modified: 2026-10-07 author: "Nota de Prensa" image: https://revistacloud.com/wp-content/uploads/2026/10/cover-mistral-sovereign.jpg categories: ["Inteligencia artificial", "Noticias"] tags: ["europa", "Mistral", "soberanía digital"] type: post lang: es --- # Mistral Large 4: 1 billón de parámetros, 49.000 millones activos y pesos abiertos [Mistral ha presentado Large 4](https://noticias.ai/mistral-large-4-llega-con-1-billon-de-parametros-y-49-000-millones-activos/), un modelo multimodal de 1 billón de parámetros que activa 49.000 millones en cada ejecución y que la compañía sitúa como su nueva apuesta para competir en programación, agentes, ciencia, finanzas y ciberseguridad. El modelo ya está disponible en preview mediante API y sus pesos se publicarán a finales de octubre, una decisión que permitirá desplegarlo fuera de la infraestructura de Mistral. **Las claves de Mistral Large 4 en 30 segundos** - Large 4 alcanza 1 billón de parámetros totales con 49.000 millones activos. - Es multimodal de forma nativa y está diseñado para trabajar con código, imágenes, herramientas y flujos de agentes. - Mistral afirma que supera a otros modelos de pesos abiertos de Estados Unidos y Europa en sus comparativas agregadas. - Ha sido entrenado con 3.800 GPU NVIDIA Grace Blackwell en centros de datos propios de Mistral en Europa. - La API ya está disponible y los pesos llegarán a finales de octubre. La cifra que más llama la atención de Mistral Large 4 no es solo el billón de parámetros. La arquitectura activa 49.000 millones durante la inferencia, una diferencia que permite a Mistral presentar un modelo con una capacidad total muy elevada sin que cada consulta tenga que recorrer los 1.000.000 de millones de parámetros. Mistral lo presenta como su modelo más grande y capaz hasta la fecha. La compañía asegura que Large 4 compite con los modelos de pesos abiertos más fuertes del mercado y que supera a cualquier modelo de este tipo desarrollado en Estados Unidos o Europa en sus comparativas agregadas. Conviene poner esa afirmación en contexto: son resultados comunicados por Mistral y todavía no existe una evaluación independiente del modelo completo que permita comprobar todas esas posiciones. La publicación de los pesos a finales de octubre será el momento en el que investigadores y desarrolladores podrán reproducir pruebas con mayor facilidad. ## Un modelo que quiere salir del chatbot Large 4 está diseñado para un uso bastante más amplio que la generación de texto. Mistral destaca especialmente las capacidades de programación, los flujos de trabajo con agentes y la comprensión multimodal. 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. Su puntuación combinada en el Coding Agent Index llega al 49,8 %, por encima de DeepSeek V4 Pro 0813 y Qwen3.8 Max en las comparativas publicadas por la compañía. Mistral también sometió Large 4 a una evaluación humana a ciegas realizada con Surge AI. Los evaluadores profesionales puntuaron los resultados sin conocer la identidad de cada modelo. ML4 Preview obtuvo 3,74 puntos sobre 5 y terminó segundo entre cinco modelos, solo por detrás de Claude Opus 5, que alcanzó 4,22. El enfoque de agentes aparece también en AutomationBench. Esta prueba reúne 657 procesos empresariales sobre herramientas como Gmail, Google Sheets, Slack y Salesforce. Large 4 consigue un 59,9 %, según las pruebas de Mistral. La compañía también lo ha evaluado en tareas de trabajo de larga duración. En AA-Briefcase alcanza 1.393 Elo, resultado que Mistral sitúa por encima de DeepSeek V4 Pro. La diferencia frente a un chatbot convencional está precisamente aquí. Large 4 está pensado para recibir un objetivo, consultar información, utilizar herramientas y completar una tarea con varios pasos. El modelo puede trabajar con documentos, hojas de cálculo y presentaciones además de responder directamente a una conversación. ## 1 billón de parámetros para texto, código e imágenes La multimodalidad es otra de las piezas centrales de Large 4. Mistral afirma que el modelo ha sido diseñado desde el principio para trabajar con imágenes, documentos, gráficos, fotografías y escenas complejas. Entre los casos mostrados por la compañía aparecen planos de ingeniería, piezas mecánicas, imágenes de satélite y documentos PDF. La combinación de visión y agentes permite, por ejemplo, inspeccionar una imagen, localizar un elemento concreto, ampliar una zona y comprobar la información necesaria antes de generar una respuesta. En visual grounding, Mistral destaca especialmente el resultado de Dense 200. Large 4 obtiene un 42 %, frente al 41 % de GPT-6 Astra en la prueba comunicada por la compañía. Es uno de los puntos donde Mistral asegura superar incluso a modelos cerrados de frontera. El resultado, sin embargo, debe interpretarse como una comparación concreta en un benchmark determinado y no como una victoria general del modelo en todas las capacidades multimodales. La orientación también alcanza a la ciencia. Mistral afirma que Large 4 obtiene resultados de referencia entre los modelos de pesos abiertos en SciCode-Verified, una prueba que evalúa la capacidad para implementar mediante código flujos científicos relacionados con física, matemáticas, ciencia de materiales y biología. La compañía muestra como ejemplo la generación de una simulación completa de Hartree-Fock, una tarea de química computacional que requiere combinar varias rutinas. ## Ciberseguridad: mucho rendimiento y menos dependencia del proveedor Mistral está dando un peso especial a la ciberseguridad. Large 4 aparece entre los cinco modelos con mejor puntuación global en el Artificial Analysis Cyber Index, según la evaluación citada por la compañía. En una prueba destinada a reproducir una vulnerabilidad real en software de código abierto y después corregirla, obtiene un 82 %. Mistral asegura que es la puntuación más alta registrada en ese test. En Cybench alcanza un 93 % de retos resueltos. La particularidad está en que algunos modelos cerrados pueden negarse a ejecutar determinadas tareas de este tipo por sus políticas de seguridad. Mistral sostiene que, para los equipos defensivos, poder reproducir una vulnerabilidad puede ser necesario para verificarla y desarrollar una corrección. Large 4 también ha sido utilizado internamente para analizar malware, priorizar vulnerabilidades y generar reglas de detección. La empresa está trabajando con compañías especializadas en ciberseguridad, socios seleccionados y autoridades antes de liberar los pesos. La publicación permitirá además ejecutar el modelo bajo control de las propias organizaciones. Para Mistral, esa característica tiene especial valor en seguridad: una empresa puede mantener el modelo en su propia nube privada o infraestructura local y definir sus políticas de acceso sin depender exclusivamente de las restricciones de un servicio externo. Esto explica parte de la importancia de que Large 4 sea finalmente un modelo de pesos abiertos. No significa que todo el software o todos los componentes del sistema sean automáticamente abiertos, pero sí permitirá disponer de los pesos para su propio despliegue. ## 3.800 GPU Grace Blackwell y entrenamiento en Europa Mistral ha entrenado Large 4 desde cero utilizando **3.800 GPU NVIDIA Grace Blackwell** instaladas en sus propios centros de datos europeos. La versión preview de la API se ejecuta además sobre esa misma infraestructura. La compañía presenta este despliegue como parte de su estrategia de soberanía tecnológica. Mistral afirma que ofrecerá el modelo en varias regiones y que contará con una implementación europea gestionada directamente por la empresa, bajo legislación europea. El entrenamiento también incorpora datos multilingües procedentes de más de 160 idiomas, incluidos todos los idiomas oficiales de la Unión Europea. La infraestructura de entrenamiento utiliza aprendizaje por refuerzo a gran escala. Mistral explica que su plataforma permite combinar en una misma ejecución tareas de programación, ciencia, seguridad, factualidad y uso prolongado de herramientas. Con una infraestructura de unas 3.000 GPU, la compañía afirma que una ejecución de entrenamiento puede generar aproximadamente 33.000 millones de tokens al día, de los que alrededor de 16.000 millones son tokens de completado utilizables para el entrenamiento después del filtrado. Mistral sostiene que el modelo todavía no ha alcanzado su techo de rendimiento. El entrenamiento por aprendizaje por refuerzo continúa y la empresa espera obtener mejoras adicionales cuando amplíe la capacidad de cálculo de sus centros de datos. ### Los pesos abiertos son la verdadera prueba La versión disponible ahora es una preview mediante API. La publicación de los pesos está prevista para finales de octubre, acompañada de nuevos detalles sobre la arquitectura, benchmarks adicionales y la metodología de postentrenamiento. Ese paso cambiará la naturaleza de la evaluación. Hasta entonces, buena parte de los resultados procede de pruebas realizadas o comunicadas por Mistral. Con los pesos disponibles será posible comprobar cómo funciona Large 4 en hardware diferente, medir su consumo y compararlo bajo las mismas condiciones con otros modelos abiertos. Mistral también quiere utilizar Large 4 como base para una nueva generación de modelos especializados. La compañía apunta a versiones optimizadas para sectores concretos y tareas profesionales específicas, apoyándose en el mismo tipo de entrenamiento y personalización que ofrece a sus clientes. La apuesta es clara: un modelo de gran escala, multimodal, orientado a agentes y con pesos abiertos que pueda ejecutarse bajo control del cliente. El dato del billón de parámetros sirve como titular, pero para los desarrolladores serán probablemente más importantes los 49.000 millones activos, el comportamiento en herramientas, el rendimiento en código y el coste real de desplegarlo. Si Large 4 mantiene una parte relevante de las prestaciones anunciadas cuando sus pesos estén disponibles, Mistral tendrá una propuesta especialmente interesante para empresas que quieran utilizar modelos avanzados sin depender por completo de una API cerrada. ## Preguntas frecuentes ### ¿Qué es Mistral Large 4? Es el nuevo modelo de IA de Mistral, con 1 billón de parámetros totales y 49.000 millones activos. Es multimodal y está orientado a programación, agentes, ciencia, trabajo profesional y ciberseguridad. ### ¿Cuándo estarán disponibles los pesos de Mistral Large 4? Mistral ha anunciado que publicará los pesos a finales de octubre. Actualmente se puede probar una versión preview mediante su API. ### ¿Cuántos parámetros activos tiene Mistral Large 4? El modelo tiene 1 billón de parámetros totales, pero utiliza 49.000 millones de parámetros activos durante cada ejecución. ### ¿Dónde se ha entrenado Mistral Large 4? Mistral afirma que lo ha entrenado desde cero en sus propios centros de datos europeos utilizando 3.800 GPU NVIDIA Grace Blackwell.