Il rilascio di Large 4: cosa è “Le Chonk”
Mistral Large 4, il modello che la startup francese Mistral AI chiama “Le Chonk”, è stato reso disponibile per il download gratuito su Hugging Face a partire dal 29 ottobre 2026. Si tratta di un modello da un trilione di parametri, di cui circa 52 miliardi sono attivi per ogni token grazie all’architettura Mixture‑of‑Experts (MoE). La finestra di contesto è di un milione di token, una delle più ampie attualmente offerte da un modello aperto.
La licenza è una variante della MIT che consente l’uso commerciale, con l’unica restrizione di non rivendere il modello come servizio. Questa scelta rende “Le Chonk” particolarmente interessante per le aziende che vogliono integrare un modello avanzato nei propri prodotti senza dipendere da API esterne.
Chi è Mistral AI e perché pubblica i pesi
Mistral AI è una startup di Parigi fondata nel 2023 da ex ricercatori di Google DeepMind e Meta. Oltre a vendere l’accesso ai suoi modelli via API, gestisce l’assistente “Le Chat” e, a differenza di OpenAI o Anthropic, pubblica regolarmente i pesi dei propri modelli, permettendo agli utenti di eseguirli sui propri server.
Hugging Face, la piattaforma dove i pesi sono stati caricati, è considerata il “GitHub dell’intelligenza artificiale” e ospita la stragrande maggioranza dei modelli open‑source. Il rilascio di “Le Chonk” segue una promessa fatta tre settimane prima: il 6 ottobre Mistral aveva presentato Large 4 in anteprima via API, annunciando la disponibilità dei pesi per fine ottobre. La versione attuale, però, è più evoluta perché ha beneficiato di tre settimane aggiuntive di addestramento.
Contesto regolatorio
- Il Dipartimento di Giustizia degli USA (DOJ) ha chiesto a Reuters come l’acquisizione di Hugging Face da parte di Nvidia possa influire sulla concorrenza nel settore AI.
- Questo interrogativo sottolinea l’interesse crescente delle autorità verso la concentrazione di risorse e dati nel campo dell’intelligenza artificiale.
Come provare “Le Chonk”
I pesi possono essere scaricati da Hugging Face senza necessità di approvazione, ma richiedono GPU Nvidia di classe datacenter per l’esecuzione. Per chi non dispone dell’hardware necessario, Mistral mette a disposizione una galleria di demo con un piccolo budget gratuito per la prima settimana e un’API a consumo.
Il modello è stato lanciato con un post su X (ex Twitter) in cui Mistral ha dichiarato:
“Built to build: Le Chonk ranks #1 on @cognition's FrontierCode among open models, and sets a new benchmark for Pareto efficiency on @artificialanalysis.”
“Built to defend: State‑of‑the‑art in cyberdefense, put through the paces by the world’s leading cyber vendors, including @CrowdStrike, @cloudflare, @rubrik, @zscaler, and others.”
“Built for sovereignty: Make it yours. Download the weights on @huggingface, customize it with Mistral Forge, and deploy it wherever you need it.”
Cosa è cambiato rispetto all’anteprima del 6 ottobre
Dopo l’anteprima, Mistral ha effettuato tre settimane di apprendimento per rinforzo (reinforcement learning) guidate dai feedback dei clienti API. Questo ha prodotto miglioramenti significativi:
- Su Terminal‑Bench 4.0, il punteggio è salito dal 28 % al 41 %, con una riduzione del 30 % dei token in output.
- Il modello ora offre tre livelli di “sforzo” (basso, medio, alto) selezionabili per ogni richiesta. Il livello alto, predefinito, è stato reso del 50 % più efficiente secondo Pierre Stock, vicepresidente della ricerca di Mistral.
L’architettura MoE rimane invariata: 128 esperti, di cui 4 (più uno condiviso) si attivano per token, garantendo l’efficienza dei 52 miliardi di parametri attivi.
Specifiche tecniche e requisiti hardware
Il modello su Hugging Face, denominato Mistral‑Large‑4‑1T‑A52B, è suddiviso in 54 file FP8 (precisione a 8 bit). La configurazione consigliata per vLLM, il software più usato per servire grandi modelli, prevede la distribuzione su 8 GPU Nvidia Blackwell.
Una versione quantizzata NVFP4 a 4 bit può essere eseguita su quattro GPU Nvidia B200 o B300 con prestazioni equivalenti. In entrambi i casi, il requisito minimo è un server con GPU Blackwell, il cui costo può superare le centinaia di migliaia di euro.
La comunità ha già prodotto file GGUF per llama.cpp, consentendo l’esecuzione su CPU e Mac, ma anche la versione più compressa richiede centinaia di gigabyte di RAM, rendendo difficile l’uso su hardware domestico.
Consumo energetico
Il training è stato effettuato da zero su 3 800 GPU Nvidia Grace Blackwell nei data center europei di Mistral, con una fase di apprendimento per rinforzo in Francia che ha assorbito circa 10 MW di potenza.
Benchmark: programmazione, cyber‑defense e intelligenza generale
Il punto di forza di Large 4 è la programmazione. Su FrontierCode 2.0 di Cognition, un test privato che valuta il codice come farebbe un revisore umano, il modello ottiene il 19,7 %, il valore più alto tra i modelli aperti. Sebbene il punteggio sembri basso, il test è estremamente severo.
| Benchmark | Punteggio | Posizione |
|---|---|---|
| FrontierCode 2.0 (Cognition) | 19,7 % | Primo tra i modelli aperti |
| Terminal‑Bench 4.0 | 41 % | Supera GLM‑5.3 (40 %) e DeepSeek V4.1 Flash (31 %) |
| Coding Agent Index (Artificial Analysis) | 48 % | Pari a GLM‑5.3, con 47 % di token in meno |
| Intelligence Index v5 (Artificial Analysis) | 26 % | Primo tra gli aperti occidentali |
| Cyber Index (Artificial Analysis) | 51 % | Primo tra i modelli aperti |
Il dato più interessante riguarda l’efficienza di Pareto: sul Coding Agent Index, Large 4 raggiunge una qualità pari a GLM‑5.3 ma consuma quasi la metà dei token, tradotto in costi inferiori per gli utenti a consumo.
Limiti e considerazioni critiche
Alcuni avvertimenti meritano attenzione:
- Il ranking su FrontierCode proviene da un test privato; non è possibile replicarlo autonomamente.
- Il salto da 28 % a 41 % su Terminal‑Bench è stato misurato con lo stesso metodo interno di Mistral, senza verifica indipendente.
- I vendor di sicurezza citati (CrowdStrike, Cloudflare, Rubrik, Zscaler) stanno ancora testando il modello; nessuna certificazione è stata rilasciata.
- La versione a 4 bit, sebbene più leggera, richiede ancora hardware di fascia alta.
Mistral stessa riconosce che, sull’Intelligence Index di Artificial Analysis, i modelli cinesi rimangono superiori, mentre Large 4 è il migliore solo tra i concorrenti occidentali.
Prospettive future
Mistral ha promesso versioni distillate più piccole, una delle quali dovrebbe funzionare su laptop, ma non ha ancora indicato date di rilascio. Nel frattempo, la comunità sta esplorando ottimizzazioni tramite Mistral Forge, una suite di strumenti per personalizzare e distribuire il modello su hardware eterogeneo.
In sintesi, “Le Chonk” rappresenta un passo significativo verso modelli di grandi dimensioni realmente aperti, combinando performance di livello top‑tier con una licenza commerciale permissiva. Tuttavia, l’accesso a tale potenza rimane vincolato a risorse hardware costose, limitando l’adozione a organizzazioni con budget adeguati o a provider cloud specializzati.