# Mistral Large 4 Preview

> Fiche du modèle de langage Mistral Large 4 Preview sur QUELLE IA, édition du 9 novembre 2026. Mistral Large 4 Preview (Mistral AI) : score IA de 81,8, 68e sur 257. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

Page : https://quelleia.com/modeles/mistral-large-4-preview/
Origine : Mistral AI · France · sorti le 6 octobre 2026
Entré sur QUELLE IA le 9 novembre 2026 : https://quelleia.com/nouveaux-modeles/#mistral-large-4-preview

## Son bilan

- Au classement général, 68e sur 257, dans un peloton de 17 modèles que la marge d'erreur ne permet pas de séparer.
- Pas encore classé en code, tâches d'agent, français et compréhension d'images : trop peu de mesures.
- Pas encore mesuré en usage courant, écriture et création web.
- À essayer sur [Le Chat](https://chat.mistral.ai)
- Prix estimé : environ 1,7 € pour 1 000 questions par l'API, en comptant 1 000 jetons lus et 500 écrits par question (une estimation, pas un tarif ; méthode : https://quelleia.com/demarche/#prix-estime)

## Score général

- Score IA : 81,8 (marge d'erreur à 90 % : de 78,1 à 85,4, le vrai niveau a neuf chances sur dix de s'y trouver)
- Rang : 68 (Groupe 6, ex æquo)
- Couverture : 80 % du poids des tâches, 17 mesures
- Échelle : 100 pour le meilleur modèle au lancement du site, 50 pour GPT-4o de novembre 2024.

Le score IA estime le niveau d'un modèle, toutes tâches confondues, à partir des benchmarks publics où il a été mesuré. Son échelle est fixée une fois pour toutes : 100 correspond au meilleur modèle au lancement du site. La marge donne l'intervalle où se trouve le score, avec une confiance de 90 %. Deux modèles dont les marges se recouvrent sont ex æquo. [Ce que veut dire ce score](https://quelleia.com/demarche/#que-veut-dire-le-score).

## Scores par tâche

Comment les tâches comptent dans le score : https://quelleia.com/demarche/#taches

| Tâche | Score | Détail |
| --- | --- | --- |
| Raisonnement | 81,2 | Rang 52 · 44 % |
| Code | 88,1 | Provisoire · 25 % |
| Agents | 87,9 | Provisoire · 12 % |
| Usage | non mesuré | Non mesuré |
| Maths | 83,1 | Rang 49 · 50 % |
| Sciences | 75,7 | Rang 63 · 60 % |
| Français | 83,6 | Provisoire · 25 % |
| Vision | 81,5 | Provisoire · 33 % |
| Écriture | non mesuré | Non mesuré |
| Web | non mesuré | Non mesuré |

## Exécution locale

Trop lourd pour les machines que suit QUELLE IA : 724,5 Go en version allégée à 4 bits, plus que les 448 Go utiles de quatre DGX Spark en grappe. Il lui faut un serveur.

- Allégée, 4 bits : 724,5 Go
- Allégée, 8 bits : 1 267,9 Go
- Complète, 16 bits : 2 415,0 Go

- Plus petite machine : aucune, il faut un serveur
- Carte graphique : Trop juste
- PC portable RTX : Trop juste
- PC portable Intel : Trop juste
- PC portable Snapdragon : Trop juste
- Mac : Trop juste
- Ryzen AI Max : Trop juste
- Nvidia : Trop juste
- Sans carte graphique : Trop juste
- Serveur : Oui

### Vitesse de génération

Pas d'estimation de vitesse : l'éditeur ne publie pas le nombre de paramètres actifs par jeton de ce modèle. Méthode : https://quelleia.com/local/#vitesse-estimee

## Fiche technique

- Prix : 0,68 € / 2,09 € (entrée / sortie, par million de jetons)
- Fenêtre de contexte : 1 000 000 jetons (environ 750 000 mots)
- Entrées : Texte, image
- Réflexion : Sans, élevée (deux niveaux réglables)
- Paramètres : 1 050 milliards
- Licence : Apache 2.0 (poids ouverts, téléchargeables)
- Classe énergétique : E (sur une échelle de A à G)
- Hébergement en Europe : Possible
- Connaissances jusqu'à : Non communiqué

## Où le trouver

- Télécharger : [Hugging Face](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B)
- Sur votre machine : [LM Studio](https://lmstudio.ai)
- Par API : [OpenRouter](https://openrouter.ai/mistralai/mistral-large-4-0)
- Par API : [API Mistral AI](https://docs.mistral.ai)
- L'essayer : [Le Chat](https://chat.mistral.ai)

## Dans les outils de code

- Disponible dans : aucun des outils relevés ne le propose dans sa liste
- Mesuré dans : [OpenCode](https://quelleia.com/outils/#opencode)
- Relevé du 9 novembre 2026 sur la page publique de chaque outil. Un modèle proposé par un outil figure dans la liste que son éditeur publie. Rien n'y est mesuré.

## Mesures

| Benchmark | Tâche | Publié | Niveau suggéré | État | Source |
| --- | --- | --- | --- | --- | --- |
| OTIS Mock AIME 2024-2025 | Maths | 98,3 % | 90,0 | saturé | https://epoch.ai/benchmarks |
| GPQA Diamond | Sciences | 88,1 % | 80,7 | saturé | https://epoch.ai/benchmarks |
| DTBench | Raisonnement | 88,2 % | 82,0 | saturé | https://conceptualreasoning.ai/dtbench |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 58,6 % | 84,3 | saturé | https://epoch.ai/benchmarks |
| compar:IA | Français | 1 067,0 Elo | 89,6 | actif | https://arene.comparia.beta.gouv.fr/ranking |
| SciCode | Code | 54,2 % | 88,1 | actif | https://artificialanalysis.ai/evaluations/scicode |
| APEX-Agents | Agents | 51,6 % | 88,6 | actif | https://epoch.ai/benchmarks |
| LMCA | Raisonnement | 35,79 | 76,9 | actif | https://conceptualreasoning.ai/lmca |
| FrontierCode | Code | 39,4 % | 89,7 | actif | https://cognition.com/frontiercode |
| Chess Puzzles | Raisonnement | 33 % | 84,2 | actif | https://epoch.ai/benchmarks |
| Surface Evolver Bench | Sciences | 28,1 % | 73,7 | saturé | https://yhenon.github.io/surface-evolver-llm-eval/ |
| FrontierMath, palier 4 (v2) | Maths | 26,8 % | 86,0 | saturé | https://epoch.ai/benchmarks |
| SimpleQA Verified | Données | 20 % | 65,9 | actif | https://epoch.ai/benchmarks |
| WeirdML v3 | Code | 12,2 % | 87,8 | actif | https://htihle.github.io/weirdml.html |
| CritPt | Sciences | 10,6 % | 83,4 | actif | https://epoch.ai/benchmarks |
| ProofBench | Maths | 10 % | 79,9 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| Mystery Game Puzzles | Raisonnement | 17 % | 80,5 | actif | https://epoch.ai/benchmarks |
| Furniture Assembly | Vision | 20,8 % | 81,5 | actif | https://epoch.ai/benchmarks |

Source : Artificial Analysis pour CritPt, https://artificialanalysis.ai/evaluations/critpt
Source : Artificial Analysis pour SciCode, https://artificialanalysis.ai/evaluations/scicode

Ces mesures, relayées par Epoch AI, comptent dans le score IA avec leur accord.

## En bref

**Quel est le score de Mistral Large 4 Preview ?** Mistral Large 4 Preview obtient un score IA de 81,8, avec une marge de 78,1 à 85,4, dans l'édition du 9 novembre 2026. Il est classé 68e sur 257 modèles, à partir de 17 mesures. [Ce que veut dire ce score](https://quelleia.com/demarche/#que-veut-dire-le-score).

**Dans quelles tâches Mistral Large 4 Preview est-il le plus fort ?** Ses deux meilleures tâches sont code (88,1) et agents (87,9). Sa tâche la plus faible est sciences (75,7).

**Mistral Large 4 Preview peut-il tourner en local ?** Trop lourd pour les machines que suit QUELLE IA : 724,5 Go en version allégée à 4 bits, plus que les 448 Go utiles de quatre DGX Spark en grappe. Il lui faut un serveur.

**Combien coûte Mistral Large 4 Preview ?** 0,68 € par million de jetons en entrée et 2,09 € en sortie, au tarif affiché par les fournisseurs. Pour fixer les idées, 1 000 questions de 1 000 jetons, avec des réponses de 500 jetons, coûteraient environ 1,7 € par l'API : c'est une estimation, pas un tarif. Le coût réel d'une tâche dépend du nombre de jetons que le modèle consomme.

**Qui édite Mistral Large 4 Preview ?** Mistral Large 4 Preview est édité par Mistral AI (France), et il est sorti le 6 octobre 2026. Ses poids sont ouverts, sous licence Apache 2.0.

Source : QUELLE IA, édition du 9 novembre 2026. https://quelleia.com