Magazine LLM Opensource · 10 November 2026

Mistral Large 4 « Le Chonk » : 1 000 milliards de paramètres, 52 milliards actifs, et une vraie page officielle

Le mystère est levé. Ce que la presse surnommait « Le Chonk » est désormais un modèle documenté sur le site de Mistral : Mistral Large 4, MoE de 1 000 milliards de paramètres dont 52 milliards actifs, publié en poids ouverts le 29 octobre 2026. Voici ce que dit la fiche officielle, ce qu’elle ne dit toujours pas, et comment un praticien doit lire ce coup stratégique à l’heure où l’écart avec les modèles fermés se creuse dans les benchmarks agentiques.

Le Chonk n’est plus un fantôme : ce que dit la page officielle

Rappelons d’où l’on vient, parce que la séquence est instructive. Pendant plusieurs jours, « Le Chonk » n’existait que dans la presse : Wired titrait sur un modèle que Mistral présenterait comme « la meilleure offre open-weight en dehors de la Chine », CNET le décrivait comme « big, open and built for agents ». Aucune page corporate, aucun dépôt, aucune fiche technique. Nous écrivions alors qu’il s’agissait d’une déclaration d’intention, et que la communauté technique travaillait sur des fragments.

Ce stade est dépassé. Mistral a publié une page d’annonce dédiée, « Mistral Large 4 (Le Chonk) is now open weight » (version française : « Mistral Large 4 (Le Chonk) est désormais à poids ouverts »), et l’entrée Wikipédia de l’entreprise confirme la date : Mistral Large 4, publié le 29 octobre 2026, est le plus grand modèle public de Mistral, un modèle à mélange d’experts de 1 000 milliards de paramètres, dont 52 milliards actifs.

Trois enseignements immédiats.

Premier : le surnom est officiel. « Le Chonk » figure dans le titre même de l’annonce. Mistral assume le clin d’œil — et ce n’est pas anodin : la communication par meme, par dépôt Hugging Face et par post sur X avant mise à jour du site corporate est une signature de la maison. Cette fois, la page corporate est arrivée.

Deuxième : l’architecture est tranchée. Ce n’est pas un dense trillionnaire — la bête rare et coûteuse à servir que nous évoquions — mais un MoE à 52 milliards de paramètres actifs, soit un ratio d’activation d’environ 5,2 %. C’est l’arbitrage que nous appelions de nos vœux : une capacité totale énorme, un coût d’inférence par token ramené à l’ordre de grandeur d’un modèle de 50 milliards. Pour situer, le Beam de Reflection AI, dévoilé le 5 octobre 2026, est un sparse MoE de 501 milliards de paramètres totaux pour 23 milliards actifs ; Meta Muse Spark Open, le 16 octobre 2026, est un MoE de 816 milliards avec 42 milliards actifs et un contexte d’un million de tokens. Le Chonk s’inscrit exactement dans cette génération : de gros totaux, des actifs contenus, une facture GPU maîtrisée.

Troisième : la date. 29 octobre 2026. Nous sommes le 23 octobre 2026 — autrement dit, la date de publication documentée est postérieure à notre point de rédaction. Nous traitons donc ici la fiche officielle telle qu’elle est publiée et référencée, en signalant explicitement ce point de calendrier : toute donnée issue de cette page doit être relue à la source au moment de la décision d’achat, car une annonce de cette ampleur bouge encore dans les jours qui suivent (correctifs, quants, mises à jour de licence).

Anatomie du modèle : ce que la fiche documente, ce qu’elle tait encore

Reprenons la checklist non négociable d’un modèle open-weight utilisable en production, et voyons ce qui est désormais couvert.

Taille et architecture. 1 000 milliards de paramètres totaux, 52 milliards actifs, architecture Mixture-of-Experts. C’est documenté et cohérent avec la rumeur initiale. Le ratio d’activation place Le Chonk dans la même famille de conception que Beam (23/501, soit ~4,6 %) et Muse Spark Open (42/816, soit ~5,1 %). La question du dense est définitivement écartée.

Le contexte, le tokenizer, les modalités. Sur ces points, la fiche d’annonce ne fournit pas, dans ce que nous pouvons en lire, l’ensemble des spécifications. Nous ne disposons pas ici d’une valeur de fenêtre de contexte, ni d’un détail du tokenizer, ni d’une confirmation des modalités supportées. C’est une lacune réelle : à l’heure où Meta affiche 1M de tokens sur Muse Spark Open et où Aleph Alpha documente 1 048 576 tokens (avec une fenêtre recommandée en production d’environ 262 144 tokens) sur Kolibri-1, l’absence de chiffre comparable sur Le Chonk empêche toute mise en regard sérieuse.

Formats et précision des poids. Non documentés dans notre lecture de la fiche. La méthode de reconstitution reste la même qu’avant : ouvrir le dépôt Hugging Face, lire le config.json (num_experts, num_experts_per_tok, max_position_embeddings), inspecter les safetensors (taille totale, BF16 ou FP8), vérifier le hash, tester le tokenizer. La différence, cette fois, c’est que le dépôt existe — reste à en extraire les chiffres plutôt que de spéculer.

La licence. C’est le point qui fâche en entreprise, et il reste le plus flou. Mistral a historiquement navigué entre Apache 2.0 pour ses petits modèles, la Mistral Research License pour les gros (usage non commercial), et des licences commerciales conditionnelles. L’annonce parle de « poids ouverts » — ce qui ne dit rien, en soi, du régime d’usage commercial. Une Apache 2.0 autorise le déploiement commercial sans seuil ; une Research License l’interdit sans accord ; une licence conditionnelle peut poser un plafond de chiffre d’affaires ou exclure des usages. Pour une DSI, la question « puis-je mettre ce modèle dans mon produit ? » se tranche sur ces quelques lignes. À ce jour, nous ne pouvons pas y répondre pour Le Chonk : c’est le premier document à exiger de son fournisseur, avant même un benchmark.

Benchmarks : toujours zéro score tiers, et un contexte qui s’est durci

Répétons la règle de base : un modèle open-weight se juge sur ce que l’éditeur revendique et sur ce que mesurent les évaluateurs indépendants. Les deux ne coïncident presque jamais.

Côté revendications, notre corpus ne contient toujours aucun score chiffré publié par Mistral pour Le Chonk — ni MMLU-Pro, ni HumanEval, ni GSM8K, ni Terminal-Bench. Les seuls chiffres du site officiel restent des témoignages clients : ASML identifie les erreurs de sous-systèmes « 70 % plus rapidement », BNP Paribas ramène son KYC « de plusieurs semaines à quelques jours », l’Office européen des brevets fait passer sa transcription « de plusieurs jours à quelques minutes ». Ce sont des affirmations marketing, non recoupées par des tiers, et elles ne disent rien de la qualité brute du modèle.

Côté évaluateurs indépendants, le paysage a changé après la fenêtre d’annonce, et ce changement est structurant. Le 27 octobre 2026, Artificial Analysis a publié la refonte v5 de son Intelligence Index : deux nouveaux benchmarks, trois mises à niveau, et surtout — pour la première fois — la majorité de l’indice repose sur des jeux de données privés. Le 29 octobre, TechTimes rapportait que cette bascule avait porté l’écart entre modèles propriétaires et open weights à 12 points, contre 3 auparavant, en déplaçant 60 % du score composite vers des tests privés. Notre article dédié à cette refonte détaille les 12 points qui séparent les agents ouverts des agents fermés — et les 26 que personne ne regarde.

Conséquence directe pour Le Chonk : le référentiel dans lequel il devra prouver sa valeur s’est durci et privatisé au moment même de sa sortie. Un score revendiqué sur des jeux publics, déjà suspect de contamination, vaut moins que jamais. La règle de prudence tient, en s’agissant d’un MoE de cette taille : attendre que les harness standardisés (lm-evaluation-harness, SWE-bench, Terminal-Bench) tournent sur les poids publiés, et se méfier des écarts structurels habituels — sélection de prompts, few-shot, température. Un score revendiqué à chaud vaut souvent 5 à 10 points de moins une fois mesuré proprement.

Le Chonk face à la déferlante chinoise : la formule mérite d’être décortiquée

La promesse « meilleure offre open-weight hors de Chine » mélange deux arguments : un argument technique (nous sommes meilleurs) et un argument géographique (nous ne sommes pas chinois). Ce ne sont pas les mêmes, et le second ne se vérifie pas dans un benchmark.

Sur le plan technique, la concurrence open-weight est écrasante. DeepSeek a enchaîné les versions, jusqu’à un V4.1 Flash décrit comme une architecture Causal Encoder Decoder de 552 milliards de paramètres MoE avec un KV cache nettement réduit. Qwen (Alibaba) a dévoilé Qwen3.8-Max le 3 août 2026, un modèle de 2,4 billions de paramètres. GLM (Zhipu), Kimi (Moonshot, dont le K3 open-weight talonne le GPT-5.6 Sol fermé à un point d’écart sur l’indice Artificial Analysis selon une analyse tierce), Hunyuan (Tencent) complètent le tableau. Ces modèles occupent massivement le trafic développeur : selon le rapport State of Open Source AI v1.1 de la Mozilla Foundation, les modèles open-weight chinois ont traité la majorité des tokens développeurs sur OpenRouter en août 2026, tout en ne capturant que 4 % des revenus de la couche modèle.

Ce que ce tableau révèle, mis à jour : sur la taille brute, Le Chonk à 1 000 milliards se situe dans la fourchette haute, au-dessus de Muse Spark Open et de DeepSeek V4.1 Flash, en dessous de Qwen3.8-Max. Sur le ratio d’activation, il est dans la norme de sa génération (~5 %). Sur la licence — l’axe qui compte pour un déploiement commercial —, un seul modèle du tableau est documenté avec certitude : Kolibri-1, en Apache 2.0. C’est un point que nous ne soulignions pas assez : l’écosystème européen a, avec Aleph Alpha, un précédent de vraie permissivité. Mistral, sur ce créneau, n’a pas encore publié son régime.

Et sur le coût d’inférence, l’argument de Reflection (3 à 4 fois moins de compute que les meilleurs modèles chinois) montre où se joue désormais la bataille : pas sur le score, sur l’économie. Un MoE à 52 milliards actifs est, par construction, dans la course — mais sans chiffres de serving publiés, Le Chonk reste sur la ligne de départ.

La vraie question, donc : « meilleur hors de Chine » est-ce un argument de souveraineté ou de technique ? À ce stade, c’est un argument de souveraineté déguisé en argument technique. Ce n’est pas rien — mais il faut le nommer pour ce qu’il est.

Souveraineté européenne : la vraie proposition de valeur

C’est ici que Le Chonk prend tout son sens. Mistral se positionne publiquement comme « n°1 en IA souveraine », avec des « modèles ouverts de pointe que vous possédez ». La liste de clients revendiqués est éloquente : TotalEnergies, ASML, Airbus, BNP Paribas, l’OTAN, plus de 20 entités gouvernementales, l’Office européen des brevets, et HTX à Singapour. La page d’accueil martèle le message : « Personne d’autre ne devrait tenir les ficelles de votre propriété intellectuelle, invention, données, développement des produits clés, normes de qualité, découverte, IA propriétaire, base de code privée, logique de décision, pratiques d’ingénierie, compromis de conception. » Le positionnement est limpide : la possession des poids comme garantie de contrôle.

Un élément de contexte que notre corpus permet désormais de préciser : en septembre 2025, ASML — première capitalisation technologique européenne et fournisseur de l’industrie des semi-conducteurs — a investi 1,3 milliard d’euros dans Mistral, correspondant à 11 % du capital. Ce n’est pas un logo de plus sur une page clients : c’est un actionnaire industriel stratégique. Cela éclaire d’un jour différent le témoignage « ASML identifie les erreurs de sous-systèmes 70 % plus rapidement » — et cela rappelle qu’un client revendiqué peut aussi être un investisseur, ce qui invite à lire les études de cas avec la distance appropriée.

Pourquoi un modèle open-weight européen intéresse-t-il une DSI ? Pour trois raisons bien réelles. D’abord la conformité : RGPD, AI Act — dont les règles de transparence s’appliquent depuis le 2 août 2026 —, hébergement des données dans l’UE. Ensuite l’absence d’extraterritorialité : un modèle américain soulève la question du CLOUD Act, un modèle chinois celle de la loi sur le renseignement national. Un modèle européen, déployé on-prem, échappe à ces deux régimes. Enfin la possession : des poids ouverts, c’est la garantie de ne pas dépendre d’une API qui peut changer de prix, de politique ou disparaître.

Mais il faut nuancer, et fermement. La souveraineté est un argument commercial puissant ; elle ne compense pas un déficit de performances brutes. Si Le Chonk perd plusieurs points face à DeepSeek ou Qwen sur le raisonnement complexe et le code de pointe, aucune clause RGPD ne rattrapera l’écart sur un cas d’usage où la qualité prime. La souveraineté justifie une prime — pas n’importe quelle prime.

Fine-tuning, quantization, déploiement local : le test du terrain

Passons à la pratique. Pour qu’un modèle open-weight soit adoptable, il faut qu’il soit servi par l’écosystème : vLLM et SGLang pour le serving haut débit, llama.cpp et Ollama pour le local, des quants GGUF/AWQ/GPTQ pour tenir sur du matériel raisonnable, et un support correct du fine-tuning LoRA/QLoRA.

Bonne nouvelle sur le plan de l’outillage : l’écosystème a bougé dans le bon sens à l’automne 2026. Le 20 octobre 2026, à la PyTorch Conference North America, les contributeurs du projet llm-d ont annoncé llm-d 1.0, une pile de serving d’inférence distribuée native Kubernetes — exactement le type de brique qui manquait pour industrialiser un gros MoE en entreprise. Le même jour, Google a publié des versions TPU de vLLM et SGLang, élargissant le choix matériel au-delà du GPU. Pour un modèle de 1 000 milliards de paramètres à 52 milliards actifs, ces deux annonces comptent : elles conditionnent la faisabilité d’un déploiement maîtrisé, pas seulement d’une démo.

Sur Le Chonk lui-même, en revanche, aucune de ces briques n’est encore confirmée : pas de support vLLM annoncé, pas de quants publiés, pas de retour Hugging Face documenté dans notre corpus. C’est le principal frein à l’adoption à court terme. Un MoE de 1 000 milliards ne se quantifie pas à la légère : les quants AWQ et GPTQ, qui réduisent la pénalité de perplexité en INT4 (AWQ revendique environ 74 % de réduction de cette pénalité par rapport à GPTQ), demandent du travail en amont. Tant que la communauté n’a pas produit ces artefacts, le déploiement local reste théorique.

Un point de méthode, utile pour anticiper : la compréhension du routage MoE est devenue un sujet d’ingénierie à part entière. Une analyse publiée le 28 octobre 2026 sur le routage des MoE open-weight détaille comment la sélection sparse des paramètres actifs, les réseaux de gating top-k et l’équilibrage de charge entre experts réduisent la charge GPU en entreprise sans sacrifier la profondeur de raisonnement. C’est précisément le levier qu’un praticien devra instrumenter sur Le Chonk : quels experts s’activent sur vos prompts, et le gating tient-il la charge sur des distributions réelles ?

En attendant, on peut déjà dessiner les cas d’usage où un open-weight européen bat la concurrence, quel que soit le modèle : données sensibles qui ne peuvent pas sortir de l’infrastructure, agents on-prem avec latence contrôlée, environnements régulés où l’auditabilité du modèle compte plus que son score. Et ceux où il perd : raisonnement de pointe, code sur des bases inconnues, tâches agentiques longues — là où, précisément, l’Intelligence Index v5 mesure un écart de 12 points entre ouverts et fermés.

Ce qu’un praticien doit faire maintenant

La séquence de décision, en cinq étapes concrètes.

1. Lire la licence avant tout. Ouvrir la page d’annonce officielle et le dépôt, identifier le régime exact (Apache 2.0 ? Research License ? conditionnelle ?). Sans cela, aucun test n’a de sens : un modèle qu’on ne peut pas déployer commercialement n’est pas un candidat.
2. Extraire les specs du dépôt, pas de la presse. config.json, safetensors, hash, tokenizer. Fenêtre de contexte réelle, précision des poids, formats disponibles.
3. Attendre les mesures tierces, et les lire dans le bon référentiel. Un score sur jeux publics ne dit plus grand-chose depuis la bascule v5 vers des tests privés majoritaires. Croiser LMArena (préférences humaines), Artificial Analysis v5 (indice agentique), et les classements open-weight type LM Market Cap.
4. Tester l’économie avant la qualité. Sur un MoE à 52 milliards actifs, le coût par token est la variable qui décide du passage en production. Bancher llm-d 1.0 ou vLLM/SGLang, mesurer le débit réel, vérifier le comportement du gating sous charge.
5. Comparer à périmètre égal avec les européens. Kolibri-1 (Apache 2.0, 78,1 milliards, contexte 1M) est un point de comparaison utile pour un déploiement souverain où la licence permissive est un critère dur.

Ce qu’il faut retenir

Le Chonk existe, il est documenté, et il est plus intéressant que la rumeur ne le laissait croire : Mistral Large 4, MoE de 1 000 milliards de paramètres dont 52 milliards actifs, poids ouverts au 29 octobre 2026. L’architecture MoE règle la question du coût d’inférence qui inquiétait à juste titre ; la page officielle règle celle de la traçabilité de l’annonce.

Trois inconnues demeurent, et elles sont décisives : la licence (aucun régime d’usage commercial n’est documenté dans notre corpus), les spécifications de contexte et de formats, et les scores tiers — d’autant plus cruciaux que le référentiel s’est durci avec l’Intelligence Index v5 et ses 12 points d’écart entre ouverts et fermés. La promesse « meilleure offre open-weight hors de Chine » reste, à ce stade, un argument de souveraineté — solide, réel, adossé à des clients et à un actionnaire industriel de premier plan — mais pas encore un argument de performance mesurée.

Un dernier mot sur le calendrier : la date de publication documentée (29 octobre 2026) est postérieure à notre point de rédaction (23 octobre 2026). C’est le genre de détail qui, dans un écosystème où tout bouge en une semaine, doit vous conduire à relire la source officielle au moment de décider. C’est la seule règle qui n’ait jamais vieilli.

Sources

• Mistral — « Mistral Large 4 (Le Chonk) is now open weight » (annonce officielle)
• Mistral — « Mistral Large 4 (Le Chonk) est désormais à poids ouverts » (version française)
• Mistral AI — page d’accueil « #1 in Sovereign AI » et version française « N°1 en IA souveraine »
• Wikipédia — Mistral AI (Mistral Large 4, 1 000 Md / 52 Md actifs, 29 octobre 2026 ; investissement ASML de 1,3 Md€ pour 11 % du capital, septembre 2025)
• Mistral Vibe (anciennement Le Chat)
• Wired — Mistral’s new model « Le Chonk »
• Artificial Analysis — Announcing Intelligence Index v5 (27 octobre 2026)
• TechTimes — Agentic AI Benchmarks Widen Proprietary-Model Edge to 12 Points in Artificial Analysis v5 Overhaul (29 octobre 2026)
• TopAI Tools — Deconstructing Mixture-of-Experts (MoE) Routing in Open-Weight Models (28 octobre 2026)
• Unite.AI — llm-d 1.0 Debuts at PyTorch Conference with Production Inference Stack (20 octobre 2026)
• Note — « vLLM » et « SGLang » désormais compatibles TPU (21 octobre 2026)
• IA Expertos — Meta lance Muse Spark Open : MoE de 816 milliards, 42 milliards actifs, contexte 1M (16 octobre 2026)
• The Agent Report — 816B, 560B, 120B en un jour : la vague open-weight se heurte au mur de mémoire (16 octobre 2026)
• LM Market Cap — Open LLM Leaderboard
• Rapport State of Open Source AI v1.1, Mozilla Foundation (trafic OpenRouter, août 2026)
• Corpus interne du magazine : fiches Aleph Alpha Kolibri-1 (3 octobre 2026), Beam de Reflection AI (5 octobre 2026), DeepSeek V4.1 Flash, Qwen3.8-Max (3 août 2026), Kimi K3, Falcon 3 (TII)

Article recherché et rédigé automatiquement · Magazine Electrosens