Mistral Large 4, el modelo de Mistral AI en cifras

Mistral Large 4 en breve

Mistral AI publicó Mistral Large 4 el 6 de octubre de 2026. Dispone de un modo de razonamiento: puede «pensar» antes de responder, lo que ayuda en problemas de varios pasos pero consume más tokens y, por tanto, más dinero. Es un modelo cerrado: se accede a él por API, a través de Mistral AI o de uno de los 14 proveedores recogidos en models.dev. Es un lanzamiento muy reciente.

Lo clasificamos entre los gama media (34 modelos de esta categoría en el sitio).

¿Qué dicen las pruebas independientes?

Según los resultados publicados por Epoch AI (consulta del 22 de octubre de 2026), Mistral Large 4 obtiene un índice de capacidad de 79,7 sobre 100, calculado con 4 pruebas de nuestra cesta.

Eso lo sitúa en el puesto 29.º de nuestro ranking semanal de modelos.

• GPQA Diamond (preguntas de ciencias de nivel doctorado): 88,1 % — el mejor modelo seguido, Gemini 4 Argon, alcanza 96,4 %
• OTIS Mock AIME (problemas de matemáticas de competición): 98,3 % — el mejor modelo seguido, GPT-5.5 Pro, alcanza 100 %
• FrontierMath (matemáticas de investigación muy difíciles): 58,6 % — el mejor modelo seguido, GPT-6 Astra, alcanza 93,7 %
• FrontierCode (tareas de programación avanzadas): 39,4 % — el mejor modelo seguido, Claude Opus 5.5, alcanza 54,6 %

Lo que cuesta

Mistral Large 4 cuesta 1,36 US$ por millón de tokens de entrada y 4,18 US$ por millón de tokens de salida (tarifa del fabricante, consulta del 22 de octubre de 2026).

Para hacerse una idea: leer 20 000 tokens (unas treinta páginas) y redactar 2000 cuesta alrededor de 0,036 US$; mil veces esa tarea, 35,56 US$.

Está en la media de los gama media, cuyo precio de salida mediano es de 4,38 US$.

Los tokens leídos desde la caché cuestan 0,14 US$ por millón: útil para un agente que reenvía a menudo el mismo contexto.

Para estimar su propio presupuesto, use la calculadora de coste de un agente.

Lo que sabe hacer

Su ventana de contexto alcanza 1.048.576 tokens, unas 1573 páginas de texto a 500 palabras por página: suficiente para cargar un libro entero o una base de código mediana. Una respuesta puede llegar a 262.144 tokens.

Acepta como entrada: texto, imagen y PDF.

Sabe llamar a herramientas (funciones, API) y devolver una salida estructurada en JSON, lo que lo convierte en una posible base para un agente de IA.

¿Cuándo elegirlo?

Por su categoría, Mistral Large 4 está pensado sobre todo para un equilibrio entre calidad y coste, para usos cotidianos que no justifican un modelo puntero.

Su enorme ventana de contexto lo hace interesante para analizar grandes volúmenes de documentos en una sola petición.

Antes de adoptarlo, pruébelo con sus propios ejemplos: los benchmarks miden tareas estándar, no su oficio.

¿Con qué sustituirlo?

En la misma categoría, los modelos más cercanos a Mistral Large 4 son:

• Grok 4.7 (xAI, índice 79,9)
• Claude Sonnet 5 (Anthropic, índice 79,3)
• Gemini 3.1 Pro Preview (Google DeepMind, índice 79,3)
• Gemini 3 Flash Preview (Google DeepMind, índice 80,3) — ver la comparativa