Mistral publicó el 29 de octubre los pesos de Mistral Large 4, también llamado Le Chonk. El modelo ya estaba disponible en una vista previa por API desde principios de mes; la novedad es que ahora puedes descargar esta versión mejorada y ejecutarla en infraestructura propia. En la portada de Hacker News del 29 de octubre reunía 1.386 puntos y 371 comentarios al consultarla el día 30.
La publicación interesa a quien quiere controlar dónde se ejecuta su IA, pero hay dos condiciones que conviene mirar antes de descargar nada: el tamaño del modelo y su licencia. «Pesos disponibles» tampoco equivale a tener todos los datos y procesos de entrenamiento.
Un billón de parámetros
Según la ficha oficial, Large 4 tiene aproximadamente un billón de parámetros totales —un millón de millones— y activa unos 52.000 millones por token contando las capas de entrada y salida. Es un modelo mixture of experts (MoE): para cada token selecciona un grupo reducido de expertos en lugar de utilizar todos a la vez.
La selección reduce el cálculo activo por token, pero no convierte el modelo en uno de 52.000 millones de parámetros a efectos de almacenamiento. Para que el sistema pueda elegir distintos expertos, normalmente necesita tener disponibles los pesos del modelo completo, repartidos entre GPU, memoria del sistema o almacenamiento según el motor y la configuración.
El checkpoint admite texto e imágenes como entrada y genera texto. Mistral anuncia una ventana de contexto de hasta un millón de tokens, llamada a herramientas y tres niveles de razonamiento: bajo, medio y alto. El contexto máximo anunciado no significa que toda instalación pueda usarlo sin reservar memoria adicional.
¿Cabe en un homelab?
Con una GPU doméstica de 12 GB de VRAM o un servidor con 64 GB de RAM, el tamaño es el principal obstáculo. Para ponerlo en perspectiva, almacenar idealmente un billón de parámetros a dos bits por parámetro exigiría unos 250 GB decimales solo para los pesos. Es una cuenta orientativa, no el tamaño medido de una descarga ni un requisito exacto: los formatos reales incluyen metadatos, pueden usar precisiones mixtas y necesitan memoria adicional para la ejecución y el contexto.
Existen cuantizaciones GGUF y opciones de reparto entre dispositivos. Eso abre posibilidades de experimentación, pero no demuestra que el modelo vaya a funcionar a una velocidad útil en cualquier ordenador. La guía de Hugging Face muestra opciones con llama.cpp, Transformers y vLLM; el ejemplo de vLLM para el checkpoint NVFP4 utiliza paralelismo entre ocho GPU y apunta a hardware NVIDIA Blackwell. No hemos probado aquí el modelo ni medido su rendimiento local.
Para un homelab pequeño, tiene más sentido comprobar primero el tamaño y los requisitos de la cuantización concreta o probar una variante más pequeña, si aparece una adecuada. Otra opción es usar la API sin asumir el coste de mantener el modelo completo.
La licencia importa
Los pesos se distribuyen bajo la Mistral Ecosystem Open-Weight License, una licencia derivada de MIT con una condición adicional. Mistral indica que permite usar, modificar, ajustar y comercializar el modelo, pero que las empresas que operen una oferta Model-as-a-Service deben obtener una licencia comercial separada.
Eso hace que «pesos abiertos» sea una descripción más precisa que asumir que tiene la licencia MIT estándar. Si quieres ofrecer el modelo a clientes como servicio, lee la licencia completa y comprueba cómo se aplica a tu producto antes de desplegarlo.
Código y seguridad
Mistral presenta la versión publicada como una mejora respecto a la vista previa, especialmente en programación y seguridad defensiva. Por ejemplo, comunica un 48 % en Artificial Analysis Coding Agent Index y un 51 % en su Cyber Index. Son cifras comunicadas por Mistral para unas pruebas y configuraciones concretas; no sustituyen una evaluación sobre tu repositorio, tus herramientas y tus criterios de aceptación.
Para revisar vulnerabilidades o proponer parches, mantén las pruebas en entornos aislados y revisa las conclusiones: un modelo puede sugerir un problema inexistente o una corrección que rompa otra funcionalidad. Disponer de los pesos facilita adaptar y auditar el despliegue, pero no garantiza por sí mismo la seguridad del agente ni de las herramientas que utiliza.
Opciones para probarlo
Los pesos oficiales están en Hugging Face; Mistral documenta despliegues con vLLM y SGLang, mientras Hugging Face recoge soporte para llama.cpp y cuantizaciones. Revisa versiones, hardware y licencia de la variante antes de instalarla.
Si prefieres una prueba sin descargar el modelo, Mistral ofrece Large 4 por API y anuncia precios de 0,70 dólares por millón de tokens de entrada, 0,07 para entrada en caché y 2,10 por millón de salida. Son tarifas anunciadas el 29 de octubre y pueden cambiar. Para comparar opciones, mide calidad y coste sobre tareas propias, incluyendo contexto, reintentos y revisión humana.