Mistral presenta 'Le Chonk': Mistral Large 4 debutta su Hugging Face con capacità massive di cybersecurity e coding — Intelligenza artificiale

Mistral ha rilasciato Mistral Large 4, soprannominato 'Le Chonk', un modello multimodale Mixture-of-Experts che dispone di 1 trilione di parametri totali e una finestra di contesto da 1 milione di token. Distribuito sotto una licenza open-weight, il modello eccelle in compiti di cybersecurity come la riproduzione delle vulnerabilità e l'applicazione di patch, ottenendo punteggi di primo livello su benchmark indipendenti mantenendo al contempo tassi di rifiuto elevati per le richieste dannose.

Mistral ha lanciato ufficialmente Mistral Large 4, affettuosamente soprannominato 'Le Chonk', su Hugging Face. Questo nuovo modello multimodale e multilingue utilizza un'architettura Mixture-of-Experts (MoE) con circa 1 trilione di parametri totali e 49 miliardi di parametri attivi. Accetta sia input testuali che immagini per generare risposte testuali e presenta una finestra di contesto espansiva da 1 milione di token. Il rilascio include due varianti ufficiali insieme alle quantizzazioni GGUF create da Unsloth e dal team di llama.cpp, tutte distribuite sotto la Mistral Ecosystem Open-Weight License, una derivata della licenza MIT con limitazioni specifiche sulle offerte di modello come servizio.

L'architettura del modello combina un ampio pool di esperti con meccanismi di attenzione sparsa e un encoder visivo Pixtral. Il modello linguistico seleziona dinamicamente un piccolo gruppo di esperti per ogni token, mentre un indicizzatore di attenzione determina quali posizioni dei token precedenti considerare, creando due forme distinte di sparsità. Nello specifico, il decodificatore testuale è composto da 72 livelli con una dimensione nascosta di 6.144 e 64 teste di attenzione. Impiega l'attenzione latente multi-testa (MLA) abbinata a un indicizzatore DeepSeek Sparse Attention (DSA), che seleziona fino a 2.048 posizioni chiave per query. Il primo livello utilizza una rete feed-forward densa, mentre i restanti 71 livelli utilizzano blocchi MoE in cui un router seleziona quattro dei 128 esperti più un esperto condiviso per ogni token.

Mistral Large 4 è posizionato come uno strumento potente per la cybersecurity, gli agenti di coding e le applicazioni multimodali. Nei test indipendenti condotti da Artificial Analysis, il modello ha ottenuto l'82% sull'Indice Cyber, che valuta la capacità di un modello di riprodurre vulnerabilità reali nel software open-source e successivamente applicarvi le patch. Mistral nota che diversi modelli frontier chiusi ottengono punteggi vicini allo zero in questo test specifico perché rifiutano di tentare la fase di riproduzione, un passaggio spesso necessario per i difensori per risolvere i problemi. Oltre ai benchmark, i test interni hanno indicato una forte performance nell'analisi del malware, nella priorizzazione delle vulnerabilità e nella scrittura di regole di rilevamento, nonostante il modello non sia stato esplicitamente addestrato per questi compiti.

Nonostante le sue capacità offensive nella ricerca sulla sicurezza, Mistral Large 4 mantiene filtri di sicurezza robusti. È posizionato principalmente per lavori di sicurezza difensiva, affrontando il problema in cui i modelli proprietari potrebbero bloccare input legittimi di ricerca sulle vulnerabilità o perdere disponibilità durante incidenti critici. Sugli stimoli cyber provenienti da JailbreakBench, StrongREJECT e AgentHarm, il tasso medio di rifiuto del modello supera quello di qualsiasi altro modello open-weight. Per la comunità più ampia, la natura open-weight consente agli utenti di costruire sistemi cyber personalizzati attorno ai propri codebase e campioni di malware, perfezionare modelli più piccoli utilizzando tracce da Mistral Large 4 e misurare direttamente i comportamenti di rifiuto senza fare affidamento sulle descrizioni dei fornitori.

In termini di prestazioni nel coding, Mistral Large 4 ottiene un punteggio dell'Indice Coding Agent del 49,8%, posizionandosi davanti a DeepSeek V4 Pro 0813 e Qwen3.8 Max. Ottiene il 61,7% su DeepSWE v1.1, il 59,4% su SWE-Atlas-QnA e il 28,3% su Terminal-Bench 4. Le sue capacità si estendono al lavoro della conoscenza con un punteggio del 59,9% su AutomationBench e 1.393 Elo su AA-Briefcase. Al 29 ottobre 2026, si classifica come il quinto miglior modello open-weight nell'indice Intelligence di Artificial Analysis. Inoltre, dimostra una resistenza agli attacchi del 93,3% sul benchmark B3 di Lakera contro gli attacchi di iniezione di prompt.

Le opzioni di distribuzione sono estese, con supporto dal giorno zero per transformers, vLLM e llama.cpp. L'encoder visivo Pixtral utilizzato nel modello ha 1,6 miliardi di parametri, 30 livelli e utilizza un proiettore patch-merge. Per la distribuzione locale, sono disponibili quantizzazioni GGUF che vanno da IQ2_XXS a BF16, con versioni a 2 bit in grado di funzionare su un singolo computer Apple Silicon Ultra con 512 GB di RAM unificata. I test di prestazioni su un M3 Ultra hanno mostrato un throughput di prefill di circa 90 token al secondo e una velocità di generazione di 15 token al secondo per la quantizzazione Q2_K. Su quattro schede RTX6000 Pro, le varianti NVFP4 hanno raggiunto velocità di prefill comprese tra 130 e 590 token al secondo a seconda della dimensione del contesto.

Per la distribuzione aziendale, Mistral fornisce ricette pronte all'uso su Inference Endpoints utilizzando otto GPU NVIDIA H200. Questa configurazione utilizza il parallelismo tensoriale e degli esperti con la testa di bozza DSpark integrata nel modello per la decodifica speculativa, supportando fino a 131K token di contesto. Sotto carico, il sistema può elaborare circa 480 token al secondo attraverso 1.000 conversazioni ShareGPT. Gli utenti possono anche distribuire il modello su server AI Dell utilizzando la CLI dell-ai o perfezionarlo direttamente utilizzando TRL con supporto per compiti di ragionamento multilingue.

Fonti: Hugging Face Blog.