mistralai
Mistral: Mistral Large 4
mistralai/mistral-large-4-0
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Mistral Large 4 es el modelo abierto insignia de Mistral AI: un Mixture-of-Experts nativamente multimodal con cerca de un billón de parámetros totales y unos 52 000 millones activos por token, que acepta texto e imágenes y produce texto dentro de una ventana de contexto de 1M de tokens. Según la documentación del proveedor, unifica seguimiento de instrucciones, razonamiento configurable, programación y flujos agénticos, con fortalezas declaradas en ciberseguridad, finanzas, derecho y anclaje visual. Se ofrece en la API de Mistral y en agregadores como OpenRouter, y también puede autoalojarse con vLLM o SGLang, aunque con una infraestructura exigente.[1][2]
Puntos fuertes
- Según los benchmarks reportados por el propio proveedor, rendimiento de primer nivel en programación agéntica entre modelos de pesos abiertos, con un uso de tokens por tarea sustancialmente menor que el modelo comparable líder.[2]
- Mistral AI afirma fluidez nativa en más de 160 idiomas, incluidos todos los idiomas oficiales de la UE.[2]
- Amplia superficie de funciones en un solo conjunto de pesos: entrada de texto e imagen, salida de texto, llamadas a funciones, cumplimiento estricto de esquemas JSON, esfuerzo de razonamiento configurable y ventana de contexto de 1M de tokens.[1][2]
Limitaciones
- La evidencia se limita a la ficha del proveedor y a un listado de agregador, que incluso difieren sobre qué niveles de esfuerzo de razonamiento se exponen; no se incluyeron evaluaciones independientes, así que conviene validar con cargas de trabajo propias.[1][2]
- El autoalojamiento es exigente: con cerca de un billón de parámetros, las recetas de referencia del proveedor usan ocho GPU, y la propia Mistral sugiere su API si el servicio local resulta insuficiente.[2]
- Aviso de licencia: la licencia modificada de pesos abiertos de Mistral permite uso comercial y no comercial, pero operar un negocio de modelo como servicio requiere una licencia comercial aparte.[2]
Dónde utilizarlo
- Opción plausible para asistentes de programación agénticos y pipelines con herramientas, dadas las llamadas a funciones nativas y la eficiencia de tokens reportada por el proveedor.[2]
- Conviene evaluarlo para análisis de documentos e imágenes de contexto largo, como gráficos, planos técnicos y tareas de anclaje visual, según las afirmaciones de visión de la ficha.[2]
- Candidato para productos multilingües, especialmente en idiomas de la Unión Europea, basándose en las afirmaciones del proveedor y no en pruebas independientes.[2]
Fuentes
- [1] OpenRouter catalog · Mistral: Mistral Large 4Fuentes consultadas: 13 nov 2026
- [2] Model documentation · Mistral: Mistral Large 4Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Mistral Large 4 is a frontier multimodal (text and image input) model from Mistral AI built for reasoning, coding, and agentic workloads. It offers a 1M-token context window with up...
Especificaciones
- ID del modelo
- mistralai/mistral-large-4-0
- ID canónico
- mistralai/mistral-large-4-0-20261006
- Creador
- mistralai
- Añadido a OpenRouter
- 06.10.2026
- Longitud de contexto
- 1,048,576
- Modalidad
- text+image->text
- Modalidades de entrada
- text, image
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.700 / salida $2.1
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | BB — siguiente 30% de la cohorte | razonamiento: opcional · predeterminado high · esfuerzos: high, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | Sin medición | — |
| Agentes | Sin medición | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado high · esfuerzos: high, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 26.1 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 45.8% · posición 33 | 1,242Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 43.5% · posición 25 | 1,204Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 46.9% · posición 40 | 1,256Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 51.3% · posición 24 | 1,274Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 40.2% · posición 52 | 1,205Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 44.9% · posición 22 | 1,224Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 49% · posición 28 | 1,279Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 48% · posición 38 | 1,259Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Mistral | 1,048,576 | $0.700 | $2.1 | — | — | 100% |
| Mistral | 524,288 | $0.770 | $2.31 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.