--- title: "Mistral libera los pesos de Mistral Large 4: un billón de parámetros, licencia con letra chiquita" url: https://hernandez.systems/es/articulos/mistral-libera-los-pesos-de-mistral-large-4-un-billon-de-parametros-licencia lang: es type: NewsArticle section: IA published: "2026-10-30T15:05:23+00:00" modified: "2026-10-31T15:00:37+00:00" publisher: Osky Networks image: https://oskydj.sfo3.cdn.digitaloceanspaces.com/calamardo/news_item/2026-10-30/e14-portada-defda492.png alternate_en: https://hernandez.systems/en/articles/mistral-releases-the-weights-of-mistral-large-4-one-trillion-parameters-license-with-fine-print --- # Mistral libera los pesos de Mistral Large 4: un billón de parámetros, licencia con letra chiquita > Mistral liberó el 29 de octubre los pesos de Mistral Large 4, su modelo más grande: un billón de parámetros (un trillion en inglés), multimodal, con contexto de un millón de tokens y bajo una licencia que permite usarlo, modificarlo y venderlo, con una sola excepción importante. Es la versión mejorada del modelo que la empresa francesa presentó en vista previa a principios de mes, y la propia Mistral lo apoda "Le Chonk". Para quien construye agentes, bots o herramientas de código, la noticia tiene dos caras: hay un modelo occidental abierto que compite en programación, pero correrlo en casa sigue siendo cosa de muy pocos. Mistral liberó el 29 de octubre los pesos de Mistral Large 4, su modelo más grande: un billón de parámetros (un *trillion* en inglés), multimodal, con contexto de un millón de tokens y bajo una licencia que permite usarlo, modificarlo y venderlo, con una sola excepción importante. Es la versión mejorada del modelo que la empresa francesa presentó en vista previa a principios de mes, y la propia Mistral lo apoda "Le Chonk". Para quien construye agentes, bots o herramientas de código, la noticia tiene dos caras: hay un modelo occidental abierto que compite en programación, pero correrlo en casa sigue siendo cosa de muy pocos. ## Qué publicó Mistral Según la ficha del modelo en Hugging Face, Mistral Large 4 es un *Mixture-of-Experts* (MoE) "granular": cerca de 1T de parámetros totales, pero solo unos 52 mil millones activos por token (49 mil millones si no se cuentan las capas de *embeddings* y de salida). Tiene 128 expertos enrutados, de los que se activan 4 por token, más un experto compartido. La documentación oficial precisa 1.05T de parámetros totales y un codificador de visión de 1.6 mil millones. Lo demás que anuncia la ficha: - **Contexto de 1M de tokens.** - **Entrada de texto e imagen**, salida solo en texto. - **Más de 160 idiomas**, incluidos todos los oficiales de la Unión Europea. - **Llamadas a funciones, salida JSON y esquemas JSON estrictos** de forma nativa. - **Tres niveles de razonamiento** por petición: `low`, `medium` y `high` (el predeterminado). El modo `low` sustituye al antiguo modo sin razonamiento. - **Entrenado desde cero** en 3,800 GPU NVIDIA Grace Blackwell, en centros de datos propios de Mistral en Europa. El repositorio incluye además una versión cuantizada en NVFP4 pensada para GPU Blackwell, que según Mistral ocupa menos memoria y conserva el mismo rendimiento. ## Lo que dicen los números (de Mistral) Todas las cifras de esta sección vienen del anuncio de Mistral y no las verifiqué de forma independiente. La empresa dice que tres semanas más de aprendizaje por refuerzo después de la vista previa lo pusieron al frente de los modelos abiertos en programación: | Prueba | Resultado que reporta Mistral | |---|---| | FrontierCode 2.0 (Cognition, privado) | 19.7 %, primer lugar entre los modelos evaluados | | Coding Agent Index de Artificial Analysis | 48 %, empatado con GLM-5.3 y con 47 % menos tokens por tarea | | Terminal-Bench 4.0 | 41 %, 13 puntos más que en la vista previa y 30 % menos tokens de salida | | Cyber Index de Artificial Analysis | 51 % | | B3 (resistencia de agentes a ataques) | 97.1 %, frente a 93.3 % de la vista previa | | BrowseComp (navegación web) | 84.5 % | En evaluaciones a ciegas de Surge, siempre según Mistral, los programadores prefirieron su código sobre el de GLM-5.3, Kimi K3 y DeepSeek V4.1 Flash, y solo quedó detrás de Claude Opus 5.5. El matiz importante está en la propia ficha de Hugging Face: en el índice general de inteligencia de Artificial Analysis (v5), Mistral Large 4 saca 26 puntos, "la más alta entre los modelos abiertos occidentales", pero Mistral reconoce que los mejores modelos abiertos chinos puntúan más alto. Es decir, no es el mejor modelo abierto del mundo en general; es el mejor de su lado del mapa, con fuerza especial en código y ciberseguridad. ## ¿Lo puedes correr en tu máquina? Corto y directo: casi seguro que no. La receta oficial de vLLM sirve el modelo con `--tensor-parallel-size 8`, o sea, repartido entre ocho GPU de centro de datos. La vía casera son las cuantizaciones de Unsloth, que tuvo acceso anticipado. Según su documentación, los pesos completos en FP8 pesan alrededor de 1.1 TB; su versión dinámica de 2 bits, unos 378 GB; y la de 1 bit (`UD-IQ1_S`), unos 233 GB en disco, lo justo para una máquina con 256 GB de memoria, como una Mac Studio o dos NVIDIA DGX Spark. Unsloth asegura que esa versión de 1 bit conserva el 91 % de la precisión *top-1*. ![Gráfica de barras: los pesos FP8 de Mistral Large 4 ocupan cerca de 1,100 GB, la versión de 2 bits de Unsloth 378 GB y la de 1 bit 233 GB, frente a las referencias de 256 GB de una Mac Studio y 32 GB de una laptop potente](https://oskydj.sfo3.cdn.digitaloceanspaces.com/calamardo/news_item/2026-10-30/e14-memoria-fe40f618.png) Mi lectura: para el 99 % de los desarrolladores, "pesos abiertos" aquí significa poder elegir proveedor, no correrlo en la laptop. Y eso no es poca cosa. ## Dónde usarlo y cuánto cuesta Mistral lo ofrece en su API como `mistral-large-4`, en Mistral Studio, en OpenRouter y en su agente de código Vibe. Microsoft Foundry es la primera nube que lo ofrece como servicio administrado, y NVIDIA lo tiene en sus *endpoints* y como contenedor NIM. Para servirlo uno mismo hay soporte en vLLM (el recomendado), SGLang, Transformers y llama.cpp, y para afinarlo, en Axolotl, Unsloth y TRL. El precio en la API de Mistral es de 0.70 dólares por millón de tokens de entrada, 0.07 por millón de entrada en caché y 2.10 por millón de salida. En el hilo de Hacker News, que pasó de 1,600 puntos, hubo discusión sobre cómo se compara ese precio con el de la vista previa y con modelos chinos más baratos como DeepSeek V4.1 Flash; varios usuarios lo consideraron todavía caro para lo que rinde. ## La letra chiquita de la licencia Aquí está lo que más le importa a quien hace productos. Mistral Large 4 usa la *Mistral Ecosystem Open-Weight License*, una versión modificada de la licencia MIT. Permite usar, copiar, modificar, afinar, distribuir y vender el modelo y sus derivados, con una condición: si tú o tu empresa operan un negocio de "Model as a Service", necesitan una licencia comercial aparte con Mistral antes de usarlo con fines comerciales. La licencia define ese servicio como dar a terceros acceso al modelo para inferencia o entrenamiento "con control significativo sobre las entradas, los parámetros o los datos". Y excluye de forma expresa los productos para usuarios finales donde el modelo vive solo dentro de funciones concretas, el simple reenvío de peticiones a modelos alojados por otros y el uso interno. ![Diagrama de flujo sobre la licencia de Mistral Large 4: el uso interno o dentro de funciones específicas de una app es libre; ofrecer el modelo como API para terceros requiere licencia comercial con Mistral](https://oskydj.sfo3.cdn.digitaloceanspaces.com/calamardo/news_item/2026-10-30/e14-licencia-7fd8f798.png) Lo que esto significa en la práctica, según mi lectura del texto (no es asesoría legal): un bot de WhatsApp de atención al cliente, un asistente dentro de un CRM o un buscador interno caen del lado libre. Montar una API para revenderle el modelo a otros desarrolladores, no. Por eso hubo pleito semántico en Hacker News: según la definición de IA de código abierto de la OSI, esto no es *open source*, y Mistral tampoco lo llama así; lo llama *open weight*. ## Ciberseguridad: la apuesta y su asterisco Mistral vende el modelo como herramienta para equipos de defensa: dice que reproduce y parcha vulnerabilidades sin negarse a tareas legítimas y que rechaza el 96.6 % de las peticiones maliciosas, la cifra más alta que mide entre modelos abiertos. También reconoce algo poco común en un anuncio: tras monitorear el tráfico de la vista previa ve "potencial" de que el modelo ayude a ejecutar ataques reales, así que está ajustando sus barreras y lo seguirá haciendo. A socios verificados como Orange Cyberdefense les da acceso a una variante especializada para pruebas de penetración. En Hacker News, varios comentaristas señalaron que esas barreras pesan poco en un modelo de pesos abiertos, porque quien lo hospeda puede modificarlo. Mi lectura: el 96.6 % mide el comportamiento del modelo tal como lo entrega Mistral, no lo que puede hacer cualquiera que lo descargue. ## Lo que todavía no se sabe - Cómo se comporta fuera de las pruebas que eligió Mistral: las evaluaciones independientes apenas empiezan. - Si el precio actual se mantiene. En Hacker News hubo quien señaló que la tarifa cambió varias veces durante la vista previa. - Qué modelos especializados saldrán de esta base: Mistral dice que Large 4 será el cimiento de su próxima generación. ## Fuentes - [We're releasing the weights of Mistral Large 4 (anuncio oficial de Mistral)](https://mistral.ai/news/mistral-large-4-oss/) - [Ficha del modelo Mistral-Large-4-1T-A52B en Hugging Face](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B) - [Licencia Mistral Ecosystem Open-Weight License](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B/blob/main/LICENSE) - [Documentación de Mistral Large 4 en Mistral Docs](https://docs.mistral.ai/models/mistral-large-4-0) - [Unsloth: cómo correr Mistral Large 4 localmente](https://unsloth.ai/docs/models/mistral-large-4) - [Discusión en Hacker News](https://news.ycombinator.com/item?id=50289418)