Il 29 ottobre 2026 Mistral AI ha pubblicato i pesi di Mistral Large 4, rendendo scaricabile il checkpoint dopo l’anteprima pubblica del 6 ottobre. L’annuncio di Mistral segna il passaggio dall’accesso in anteprima alla possibilità di ospitare il modello sulla propria infrastruttura. NeoTeo aveva raccontato l’apertura dell’anteprima pubblica.
Dal modello in anteprima ai pesi scaricabili
Il checkpoint ufficiale è nel repository Hugging Face con il nome mistralai/Mistral-Large-4-1T-A52B. Mistral Large 4 accetta testo e immagini e restituisce testo; la finestra di contesto dichiarata è di un milione di token. Il modello ha circa 1.050 miliardi di parametri complessivi. Quelli attivi per token sono 49 miliardi se si escludono embedding e strati di output, 52 miliardi se li si include. La scheda del modello riporta queste specifiche.
La pubblicazione dei pesi permette di gestire il modello in un ambiente proprio, anziché accedervi soltanto attraverso un servizio ospitato. Mistral descrive anche il supporto per vLLM, SGLang, Transformers e llama.cpp.
Nel video in inglese, Amine AI mostra una prova a prompt affiancati con Mistral Large 4 e Claude Opus 5.5; è un test del creator, non una specifica del modello.
Cosa dice davvero l’esempio vLLM
La configurazione vLLM pubblicata da Mistral imposta --tensor-parallel-size 8. Il parallelismo tensoriale divide i calcoli del modello tra più GPU. Mistral consiglia di ridurre --max-model-len, che limita la lunghezza massima del contesto, e/o --max-num-seqs, che regola le sequenze elaborate in parallelo, se la memoria GPU è insufficiente. La scheda ufficiale presenta questa configurazione come esempio, non come requisito minimo di otto GPU.
Perciò, chi valuta il self-hosting può partire dai parametri che Mistral indica per ridurre la pressione sulla memoria. La configurazione utilizzabile dipende anche da impostazioni come lunghezza del contesto e concorrenza delle richieste.
Quando la licenza richiede un accordo commerciale
Il repository applica la Mistral Ecosystem Open-Weight License, che si definisce una licenza MIT modificata. Consente, alle condizioni previste, di usare, copiare, modificare, distribuire, concedere in sublicenza e vendere il modello, oltre a svilupparne versioni derivate. Il testo della licenza stabilisce una condizione specifica per chi opera un servizio Model-as-a-Service (MaaS).
| Modalità di deployment | Trattamento previsto dalla licenza |
| Uso interno, senza rendere il modello o i derivati accessibili a terzi | Esente dalla condizione MaaS; la licenza contempla anche l’uso tramite i prodotti ufficiali di Mistral. |
| Funzioni del modello integrate in un prodotto per utenti finali | Escluse dalla definizione di MaaS quando le capacità sono incorporate soltanto in funzioni specifiche o in componenti che ne incapsulano l’uso. |
| Semplice inoltro di richieste a modelli ospitati da altri | Escluso dalla definizione di MaaS. |
| Servizio che offre a terzi inferenza o post-addestramento con controllo significativo su input, parametri o dati di addestramento | Se il licenziatario o un’affiliata gestisce un servizio di questo tipo, deve ottenere una licenza commerciale separata prima dell’uso commerciale del modello o dei suoi derivati. |
La condizione riguarda quindi chi gestisce un MaaS secondo la definizione della licenza. Il fatto che i pesi siano scaricabili, da solo, non descrive il trattamento di ogni possibile deployment commerciale.
Tariffe API e costo di un benchmark
Le tariffe API pubblicate da Mistral sono di 0,70 dollari per un milione di token in ingresso, 0,07 dollari per un milione di token in ingresso memorizzati nella cache e 2,10 dollari per un milione di token in uscita. Sono tariffe API, non il prezzo dei pesi scaricabili.
Artificial Analysis riporta un costo di 2,06 dollari per task Intelligence Index per Mistral Large 4 (high), con un punteggio di 26. È il costo di un task nel benchmark, non una stima di quanto costerà eseguire una specifica applicazione. API, benchmark e gestione autonoma del modello sono contesti di costo distinti.
