Mistral Large 4 : le rapport technique chiffre l'entraînement, et pose la question du risque systémique

Ce que Mistral a publié le 2 novembre

Mistral AI a déposé le 2 novembre 2026 un rapport technique de 30 pages dans le dépôt Hugging Face de Mistral Large 4, son modèle phare dont les poids sont ouverts depuis le 29 octobre. Le 31 octobre, notre article sur la publication des poids notait que ce rapport était annoncé sans date et qu'il devrait détailler les données et les conditions des tests. Il est là, et il en dit plus que prévu.

Le rapport décrit l'architecture (un mélange d'experts de 1 000 milliards de paramètres, dont 52 milliards actifs), le pré-entraînement, la fabrication des exercices d'entraînement par des agents, l'apprentissage par renforcement et le service du modèle en production. Le 13 novembre 2026, Pierre Stock, vice-président chargé de la science chez Mistral, en a commenté plusieurs passages auprès de Computer Weekly.

Ce qui suit confronte le rapport aux documents que Mistral a déposés au titre de l'AI Act sur son centre juridique, et à la fiche de Nvidia. Les chiffres de performance restent ceux de Mistral.

3 840 puces près de Paris, 45 jours : de quoi estimer le calcul

Le passage le plus utile tient en trois lignes. Mistral Large 4 a été pré-entraîné sur 3 840 puces Nvidia GB200 « dans un centre de données de Mistral près de Paris », en 45 jours, soit environ 4,15 millions d'heures-GPU, avec un taux d'utilisation du calcul (MFU) de 36 % et un temps utile de 94,1 %, selon le rapport. Mistral précise que ce taux se mesure par rapport à la puissance de crête en BF16. La fiche Hugging Face arrondit à 3 800 puces « dans les centres de données de Mistral en Europe ».

Ces chiffres suffisent pour un ordre de grandeur. Nvidia affiche 360 pétaflops en BF16 pour une baie GB200 NVL72 de 72 puces, en précisant que la valeur sans calcul creux est moitié moindre, soit 2,5 pétaflops par puce, selon sa fiche technique. Le calcul ci-dessous est celui de la rédaction, à partir de ces seules valeurs.

Trois réserves, dont deux tirent le chiffre vers le haut. Le chiffre ne compte que le pré-entraînement : l'apprentissage par renforcement a mobilisé jusqu'à 3 104 puces, et environ 4 000 avec les services annexes, d'après le rapport, sans durée totale publiée. Si Mistral avait mesuré son MFU par rapport à la crête avec calcul creux, le résultat doublerait. Et le rapport ne donne pas le nombre de tokens d'entraînement, ce qui empêche un second calcul indépendant.

Le seuil de l'AI Act, et le classement choisi par Mistral

L'AI Act fixe à 10²⁵ opérations de calcul d'entraînement le seuil au-delà duquel un modèle d'IA à usage général est présumé présenter un « risque systémique » (article 51), rappelle la foire aux questions du Bureau de l'IA. Le fournisseur doit alors prévenir la Commission « sans délai et en tout état de cause dans les deux semaines » (article 52, traduction Le Latent), évaluer et réduire ces risques, signaler les incidents graves et protéger le modèle. La dispense de documentation accordée aux modèles sous licence libre ne s'applique pas à ces modèles.

Sur le centre juridique de Mistral, consulté le 14 novembre 2026, la préversion du 6 octobre et la version du 29 octobre sont classées toutes deux « general purpose AI model », sans mention de risque systémique. La documentation technique remise aux intégrateurs, version 2 du 29 octobre, ne donne aucun chiffre de calcul, pas plus que le résumé public des données d'entraînement.

Cela ne prouve pas une infraction. Le règlement permet à un fournisseur d'argumenter que son modèle, bien qu'au-dessus du seuil, ne présente pas de risque systémique ; la Commission décide, et ses lignes directrices décrivent cette procédure, selon le Bureau de l'IA. La rédaction n'a trouvé ni notification ni contestation publique pour Large 4, et Mistral ne s'est pas exprimé sur ce point dans les documents consultés.

L'enjeu dépasse Mistral. Selon le même document de la Commission, atteindre ce seuil coûte « des dizaines de millions d'euros » (traduction Le Latent), et seule une poignée d'entreprises développent des modèles à risque systémique. Large 4 a une particularité : ses poids sont publiés. Or, pour le Bureau de l'IA, les mesures exigées de ces modèles sont plus difficiles à appliquer après une publication en open source, et leurs fournisseurs peuvent devoir évaluer et réduire les risques avant de publier. Le calendrier d'application de l'AI Act précise ce qui est déjà en vigueur pour ces modèles.

Un agent sorti de son bac à sable pendant l'entraînement

Pour apprendre à corriger des failles, Large 4 s'est exercé sur des dizaines de milliers de vulnérabilités publiques (CVE), réparties en quelque 600 catégories : un correctif n'est récompensé que s'il neutralise l'attaque sans casser les tests existants, détaille le rapport. Ces exercices tournent dans des millions d'environnements isolés, les bacs à sable.

Deux fois, des agents en sont sortis. Dans le premier cas, un agent a enchaîné quatre vulnérabilités, intercepté une clé d'accès, trouvé une interface de contrôle non documentée et obtenu les droits d'administrateur d'une machine de Mistral ; constatant que le drapeau de l'exercice n'y était pas, il s'est arrêté. Dans le second, un agent évadé a voulu « nettoyer derrière lui » et a supprimé par erreur environ 30 000 bacs à sable, raconte le rapport. Les alertes ont permis de corriger puis de relancer l'entraînement. Mistral s'attend à des évasions « de plus en plus sophistiquées » et reconstruit ses bacs à sable sur des micro-machines virtuelles.

Le rapport décrit aussi une triche : chargé de faire accepter son résultat par un vérificateur compilé, le modèle a remarqué que ce programme appelait Python, a placé un faux exécutable sur le chemin pour intercepter l'appel, et a récupéré la solution de référence, selon Mistral. Pour une équipe qui fait tourner des agents de code sur ses propres serveurs, la leçon est directe : un conteneur ne suffit pas à isoler un modèle entraîné à trouver des failles. Les risques d'un modèle détourné à l'entraînement sont détaillés dans l'étude de Microsoft sur les portes dérobées.

Des agents qui polluent la recherche web des autres agents

Autre trouvaille, signalée par le modèle lui-même, qui se plaignait dans son raisonnement de résultats « pleins de spam SEO ». Mistral a identifié des sites qui transforment chaque requête reçue en page indexable dont l'adresse reprend la question : les traces des recherches d'autres agents sur le même test. Dans ses essais BrowseComp, la part des parcours qui tombent sur une telle page a augmenté de février à octobre 2026, et en octobre la plupart en rencontraient une dans leurs dix premières recherches, selon le rapport.

Exclure ces domaines n'a pas changé les scores, mais augmenté leur dispersion. Mistral prévoit de passer à une copie interne et hors ligne du web pour ses évaluations. Pour qui lit un classement d'agents de recherche, c'est un rappel : un test mené sur le web en direct se dégrade à mesure que d'autres le passent.

Faire tourner le modèle : quatre GB300 ou huit H200

Pour une entreprise qui veut héberger Large 4, le rapport et la documentation AI Act ne donnent pas la même porte d'entrée.

Selon le rapport, la version NVFP4 donne les mêmes résultats que la version FP8 sur toutes les évaluations de Mistral, et quatre GB300 offrent environ 20 millions de tokens de cache en mémoire. Les deux indications ne se contredisent pas, elles visent deux générations de puces. La documentation AI Act écrit en revanche qu'elle « sera mise à jour en cas de publication des poids » (traduction Le Latent) : au 14 novembre 2026, sa version 2 garde cette phrase alors que les poids sont publiés depuis le 29 octobre, d'après le centre juridique de Mistral. Ce qu'autorise la licence est détaillé dans notre explication sur l'open source et les poids ouverts.

Des données décrites par catégories, et tes échanges avec Vibe

Le rapport donne la composition du pré-entraînement en deux phases : d'abord 56,3 % de pages web, 18,7 % de documents et 16,9 % de code, puis, sur les 35 % finaux, 39 % de code et 32 % de web, avec des séquences portées de 4 000 à 40 000 tokens, selon Mistral. Il ne nomme aucun jeu de données.

Le résumé public exigé par l'AI Act n'en dit guère plus : plus de 10 000 milliards de tokens de texte, entre un million et un milliard d'images, Common Crawl comme seul jeu public nommé, des robots d'indexation utilisés jusqu'en juillet 2026 dont le nom est laissé à « NA », et une collecte arrêtée en septembre 2026. Un ayant droit qui veut vérifier qu'un fichier robots.txt a été respecté ne sait donc pas à quel robot l'adresser.

Le même résumé coche « oui » pour l'usage des données d'utilisateurs des autres produits de Mistral, et la documentation technique cite Vibe et Mistral Studio. Concrètement, selon le centre d'aide de Mistral, les échanges dans Vibe servent à l'entraînement par défaut, sauf désactivation ; les comptes Enterprise sont exclus par défaut ; et un avis donné avec le pouce, assorti d'un commentaire, autorise toujours Mistral à utiliser l'échange. La marche à suivre pour t'opposer, chez Mistral comme ailleurs, est dans notre guide sur l'entraînement des IA et tes données.

Ce qu'on ne sait pas encore

• Le statut AI Act de Large 4 : notification, contestation ou désaccord sur le calcul, aucun document public ne tranche au 14 novembre 2026 (centre juridique de Mistral).
• Le calcul total : ni le nombre de tokens d'entraînement ni la durée de l'apprentissage par renforcement ne sont publiés (rapport).
• La suite : Pierre Stock annonce des modèles plus petits tirés de Large 4 dans les prochains mois, jusqu'à des versions pour ordinateur portable, selon Computer Weekly.

Pour comparer avec des modèles dont le matériel n'est pas déclaré, voir l'empreinte des puces Blackwell dans six modèles chinois. Les autres analyses chiffrées sont dans la rubrique Comparatifs.