A Hugging Face publicou a 29 de outubro de 2026 um artigo de apresentação do Mistral Large 4, apelidado de Le Chonk, um modelo multimodal, multilingue e do tipo Mixture-of-Experts (MoE) da Mistral. Segundo o texto, o modelo aceita texto e imagens como entrada e gera texto como saída. Tem cerca de 1 bilião de parâmetros totais, 49 mil milhões ativos e uma janela de contexto de 1 milhão de tokens. É disponibilizado em duas variantes oficiais, FP8 e NVFP4, além de versões GGUF criadas pela Unsloth e pela equipa do llama.cpp. A licença é a Mistral Ecosystem Open-Weight License, descrita como uma derivação da MIT que estabelece limites para a oferta do modelo como serviço.

A cibersegurança é a área que a Mistral mais destaca. A empresa indica que o modelo obtém 82% no Artificial Analysis Cyber Index, um teste em que é pedido ao modelo que reproduza uma vulnerabilidade real em software de código aberto e, depois, a corrija. Segundo a Mistral, vários modelos fechados de fronteira ficam perto de zero neste teste porque recusam tentar a tarefa. Trata-se de uma alegação do fabricante. Nos testes internos, a empresa diz ainda que o modelo foi útil em análise de malware, priorização de vulnerabilidades e escrita de regras de deteção, tarefas para as quais não foi treinado de forma explícita.

Na arquitetura, o decodificador de texto tem 72 camadas, dimensão oculta de 6144 e 64 cabeças de atenção. Combina Multi-head Latent Attention com um indexador de atenção esparsa inspirado no DeepSeek Sparse Attention, que seleciona até 2048 posições-chave por consulta. A primeira camada usa uma rede feed-forward densa e as restantes 71 usam blocos MoE, em que um router softmax escolhe quatro de 128 especialistas por token. Um especialista partilhado corre sempre, pelo que há cinco especialistas ativos por token. O codificador de visão é um Pixtral de 1,6 mil milhões de parâmetros, com 30 camadas e patches de 14 por 14 pixels.

O artigo refere suporte de inferência em Transformers, vLLM e llama.cpp, além de fine-tuning com TRL, Inference Endpoints e Dell Enterprise Hub. Para a comunidade, a Hugging Face sublinha que os pesos abertos permitem construir sistemas próprios de cibersegurança com base em código, registos de falhas e amostras de malware, e usar traços do modelo para treinar modelos mais pequenos. Como a tarefa de reproduzir e corrigir uma vulnerabilidade tem uma recompensa verificável, o texto considera-a adequada a ambientes de aprendizagem por reforço.

No desempenho geral, o artigo afirma que o modelo apresenta resultados fortes em programação, cibersegurança, compreensão multimodal e fluxos de trabalho agentic. O excerto consultado não inclui as tabelas detalhadas, pelo que não é possível comparar valores específicos com outros modelos. Sobre recusas, o texto indica que o modelo continua a recusar pedidos prejudiciais e que, nos prompts de cibersegurança dos conjuntos JailbreakBench, StrongREJECT e AgentHarm, a sua taxa média de recusa é superior à de qualquer outro modelo de pesos abertos. Esta afirmação deve ser verificada de forma independente.

Porque importa

Um modelo de pesos abertos com desempenho declarado em cibersegurança dá a equipas de defesa controlo sobre a política de utilização e a implementação, algo que APIs fechadas nem sempre permitem. A divulgação também permite a investigadores medir diretamente o comportamento de recusa, em vez de depender da descrição do fornecedor. Os números apresentados são, porém, sobretudo do fabricante, pelo que a avaliação independente continua a ser essencial antes de qualquer adoção em produção.

Fontes

Welcome Le Chonk: Mistral Large 4 on Hugging FaceHugging Face ↗