Europa tiene nuevo modelo de inteligencia artificial de altos vuelos. Se llama Mistral Large 4, aunque dentro de Mistral han decidido ponerle un nombre bastante menos solemne: Le Chonk.
Fue presentado el 6 de octubre de 2026 y llega con cifras que llaman la atención: alrededor de un billón de parámetros, capacidades multimodales, contexto de un millón de tokens y más de 160 idiomas. También puede utilizar herramientas y trabajar dentro de flujos con agentes.
Pero hay un detalle especialmente interesante. Mistral tiene previsto publicar los pesos del modelo a finales de octubre. Hasta entonces puedes utilizarlo mediante su API en preview pública.
En ForoPrompt hemos revisado la documentación de Mistral para separar las especificaciones que realmente importan del tradicional desfile de benchmarks con barras de colores.
Qué es Mistral Large 4
Mistral Large 4 es el nuevo modelo generalista de mayor capacidad de Mistral AI. Utiliza una arquitectura Mixture-of-Experts o MoE, una técnica que permite activar únicamente una parte del modelo durante cada operación en lugar de utilizar todos sus parámetros simultáneamente.
La documentación técnica publicada por Mistral habla de aproximadamente 1,05 billones de parámetros totales y 52.000 millones activos. La presentación inicial de la compañía redondea estas cifras a un billón y 49.000 millones respectivamente, así que conviene utilizar la ficha técnica actualizada como referencia.
También incorpora un encoder visual de 1.600 millones de parámetros. Esto permite que Mistral Large 4 trabaje con imágenes además de texto.
No estamos, por tanto, ante un chatbot pensado únicamente para preguntarle qué podemos cocinar con cuatro tomates que agonizan en la nevera.
Qué puede hacer Mistral Large 4
Mistral ha diseñado ML4 como un modelo capaz de combinar instrucciones, razonamiento, visión, programación y comportamiento agentic.
Eso permite utilizar el mismo modelo para tareas bastante diferentes sin tener que cambiar constantemente de sistema.
Trabajar con documentos e imágenes
Una de sus áreas más interesantes es la multimodalidad. Mistral Large 4 puede interpretar documentos complejos, gráficos, fotografías y planos técnicos.
La compañía muestra ejemplos donde el modelo analiza documentación financiera, inspecciona dibujos de ingeniería o localiza elementos dentro de imágenes geoespaciales de gran tamaño.
Esta capacidad puede resultar útil para empresas que trabajan con PDF, informes, planos, fotografías técnicas o documentación donde texto e imagen aparecen mezclados.
Encaja con la evolución que explicamos en nuestra guía sobre qué es la inteligencia artificial generativa: los modelos actuales están dejando de tratar texto, imágenes y documentos como mundos completamente separados.
Programación y agentes
Mistral también pone bastante énfasis en la capacidad de ML4 para ejecutar flujos agentic de varios pasos.
Un agente no se limita a contestar una pregunta. Puede utilizar herramientas, recopilar información, tomar decisiones intermedias y continuar trabajando hasta conseguir determinado resultado.
Mistral ha evaluado el modelo en AutomationBench, un benchmark con 657 flujos empresariales que incluyen aplicaciones como Gmail, Google Sheets, Slack y Salesforce.
Según los datos publicados por la propia compañía, Mistral Large 4 alcanza un 59,9 % en esta prueba. Como siempre con los benchmarks presentados por el fabricante, conviene esperar comparativas independientes antes de organizar una procesión.
Crear hojas de cálculo, documentos y análisis
Otro enfoque interesante es el trabajo profesional. Mistral asegura haber mejorado especialmente el comportamiento del modelo en tareas relacionadas con finanzas, documentos, hojas de cálculo y trabajo legal.
Esto resulta más útil para la mayoría de empresas que saber si un modelo resuelve un acertijo matemático diseñado específicamente para hacer sufrir a una GPU.
La dirección es clara: estos modelos quieren pasar de generar respuestas a producir entregables completos.
Un millón de tokens de contexto
La ficha oficial de Mistral Large 4 establece una ventana de contexto de un millón de tokens.
El contexto determina aproximadamente cuánta información puede manejar el modelo dentro de una misma interacción. Una ventana grande permite trabajar con documentos extensos, repositorios de código o conjuntos amplios de información sin dividirlos tanto.
Eso no significa que debas arrojar un millón de tokens al modelo cada vez que necesitas resumir una reunión de veinte minutos.
Más contexto también implica más información que procesar y, mediante API, más coste. La habilidad sigue estando en proporcionar la información necesaria para resolver la tarea y evitar toneladas de material irrelevante.
Mistral Large 4 habla más de 160 idiomas
Mistral afirma que una parte importante del entrenamiento fue multilingüe y que el modelo trabaja con más de 160 idiomas, incluidos todos los idiomas oficiales de la Unión Europea.
Es una característica especialmente interesante para organizaciones europeas que necesitan trabajar con documentación procedente de distintos países sin construir un sistema diferente para cada idioma.
También refuerza una de las principales apuestas de Mistral: convertirse en una alternativa europea para empresas que quieren mayor control sobre los modelos y la infraestructura utilizada.
¿Mistral Large 4 es open source?
Aquí conviene precisar el vocabulario.
Mistral define ML4 como open-weight. Esto significa que publicará los pesos del modelo para que puedan descargarse y desplegarse en infraestructura propia.
La compañía anunció inicialmente que los pesos llegarían a finales de octubre. En algunas versiones regionales de su anuncio concreta la fecha del 26 de octubre de 2026.
Hasta entonces, lo disponible públicamente es la preview mediante API.
Disponer de los pesos puede resultar especialmente atractivo para empresas que necesitan controlar dónde se ejecuta un modelo, aplicar políticas propias o reducir su dependencia de un proveedor externo.
Mistral relaciona expresamente esta estrategia con la soberanía tecnológica europea.
Cuánto cuesta Mistral Large 4
La ficha oficial establece actualmente estos precios:
- Entrada: 1,36 dólares por millón de tokens.
- Entrada en caché: 0,14 dólares por millón de tokens.
- Salida: 4,18 dólares por millón de tokens.
Hay una particularidad importante si lees esto durante el lanzamiento. Mistral ha aplicado un descuento del 50 % durante las dos primeras semanas, de modo que la documentación muestra también temporalmente 0,68 dólares para entrada, 0,07 para caché y 2,09 para salida.
Es un descuento de lanzamiento, no el precio que conviene grabar en mármol en una comparativa destinada a vivir varios años.
Cómo probar Mistral Large 4
El modelo está disponible en preview pública mediante Mistral Studio y la API de Mistral.
Su identificador es:
mistral-large-4La documentación oficial confirma compatibilidad con Chat Completions, conversaciones, agentes, llamadas a funciones, salidas estructuradas, preguntas sobre documentos y procesamiento por lotes.
Eso permite probarlo en proyectos que van bastante más allá de un chat convencional.
Prompt para probar las capacidades de Mistral Large 4
Si quieres comprobar si el modelo te aporta algo respecto al que utilizas habitualmente, es mejor darle una tarea completa que preguntarle simplemente «¿qué sabes hacer?».
Puedes adaptar esta plantilla:
Actúa como analista especializado en [SECTOR].
OBJETIVO:
Analiza la documentación que adjunto y prepara un informe que me permita tomar una decisión sobre [DECISIÓN].
MATERIAL:
[ADJUNTA PDF, IMÁGENES, HOJAS DE CÁLCULO O DOCUMENTOS]
TAREA:
1. Identifica la información relevante para [OBJETIVO].
2. Cruza los datos disponibles entre los diferentes documentos.
3. Detecta contradicciones, anomalías o información ausente.
4. Separa claramente hechos, inferencias y recomendaciones.
5. No inventes datos que no aparezcan en las fuentes.
6. Cita el documento o sección que respalda cada conclusión importante.
ENTREGA:
- Resumen ejecutivo de máximo [X] palabras.
- [X] hallazgos principales ordenados por importancia.
- Tabla con los datos relevantes.
- Riesgos o información pendiente.
- Recomendación final razonada.
CONTEXTO ADICIONAL:
[INCLUYE AQUÍ INFORMACIÓN SOBRE TU EMPRESA, PROYECTO O NECESIDAD]Si el resultado se queda corto, no empieces automáticamente a añadir veinte párrafos al prompt. Revisa primero qué información falta. En nuestra guía sobre qué es el prompt engineering explicamos cómo estructurar instrucciones con objetivo, contexto y restricciones sin escribir el equivalente digital de las instrucciones de una lavadora.
Qué tiene de diferente frente a ChatGPT, Claude o Gemini
Comparar directamente Mistral Large 4 con un producto como ChatGPT puede llevar a confusión. Una cosa es el modelo y otra el ecosistema completo que lo rodea.
La propuesta diferencial de Mistral está especialmente en la combinación de capacidad alta, pesos abiertos y posibilidad de despliegue bajo control de la organización.
Una empresa puede preferir un modelo cerrado por comodidad, integraciones o determinadas funciones. Otra puede necesitar ejecutar el modelo dentro de una infraestructura específica y controlar las políticas aplicadas.
La pregunta útil, por tanto, no es simplemente cuál gana más benchmarks. Es qué modelo encaja mejor con el proceso que quieres construir.
¿Merece la pena probar Mistral Large 4?
Si utilizas la IA únicamente para redactar correos, probablemente no necesites correr a cambiar de modelo cada vez que aparece uno nuevo.
Si trabajas con agentes, documentos extensos, análisis multimodal, programación o quieres estudiar una alternativa europea que posteriormente puedas desplegar con sus propios pesos, Mistral Large 4 sí merece una prueba.
Además, la preview actual permite evaluar el modelo antes de que se publiquen los pesos a finales de mes.
La llegada de ML4 también confirma algo que llevamos viendo durante todo 2026: el mercado ya no consiste únicamente en OpenAI, Google y Anthropic. Los modelos abiertos continúan reduciendo distancias y, en algunos ámbitos concretos, empiezan a competir directamente con sistemas cerrados.
Eso es una buena noticia para quienes utilizan IA profesionalmente. Más alternativas significan más capacidad para elegir por precio, privacidad, infraestructura y rendimiento.
También significan más modelos que probar.
Nadie dijo que seguir la inteligencia artificial en 2026 fuese a dejar muchas tardes libres.