Nasceu o modelo de pesos abertos mais poderoso da Europa? 5 conjuntos de dados mostram quão longe o Mistral Large 4 ainda está de DeepSeek e GLM

Nota do autor: com base em dados públicos de 29 de outubro de 2026, analisamos em 5 dimensões as diferenças reais entre o Mistral Large 4, o DeepSeek e o GLM.

Em 29 de outubro de 2026, a empresa francesa de IA Mistral disponibilizou oficialmente os pesos da versão aprimorada do Large 4 e divulgou os preços da API oficial. No Intelligence Index v5.0, atualizado no mesmo dia pela Artificial Analysis, o Mistral Large 4 alcançou 26 pontos, tornando-se o modelo de pesos abertos com a maior pontuação geral fora da China. Ainda assim, ficou 6 pontos atrás dos 32 pontos do DeepSeek V4.1 Flash 1017 e do GLM-5.3.

Este não é um texto promocional sobre a “virada dos modelos europeus”. O título de “melhor da Europa” tem limites claros: o Large 4 supera o segundo colocado, Meta Muse Spark Open, por apenas 1 ponto, e há 7 modelos de pesos abertos no mundo com pontuação geral maior. O que realmente chama a atenção é que ele já está próximo dos líderes em agentes de programação, com um consumo de tokens significativamente menor.

O essencial: em 3 minutos, entenda em quais aspectos o Large 4 já alcançou os concorrentes, onde ainda fica para trás e como desenvolvedores e empresas podem avaliar se vale a pena testá-lo.

Mistral Large 4: principais informações

Primeiro, vale esclarecer a cronologia: o Large 4 não apareceu pela primeira vez em 29 de outubro. A Mistral lançou uma versão de prévia pública em 6 de outubro e, depois, realizou mais cerca de três semanas de treinamento por aprendizado por reforço. Com base também no feedback de testes de parceiros empresariais e de cibersegurança, a empresa disponibilizou os pesos da versão aprimorada em 29 de outubro.

Como entender o trilhão de parâmetros do Mistral Large 4

A arquitetura MoE (mistura de especialistas) faz com que cada token passe por apenas uma parte dos especialistas: o modelo tem 128 especialistas roteados, dos quais seleciona 4 por vez, além de usar 1 especialista compartilhado. Assim, embora tenha cerca de 1,05 trilhão de parâmetros no total, apenas cerca de 49 bilhões são ativados por token; contando as camadas de embedding e de saída, esse número chega a aproximadamente 52 bilhões.

É importante lembrar que menos parâmetros ativados não significa menos memória para implantação. Na prática, ainda é preciso armazenar o modelo completo e seu estado durante a execução. Portanto, é incorreto concluir que “são necessários apenas 52 GB de memória de GPU”.

O que melhorou na versão aprimorada do Mistral Large 4

O principal avanço da versão aprimorada está na eficiência, não na pontuação geral. Na avaliação da Artificial Analysis com a mesma versão do índice, a prévia marcou 25 pontos e a versão aprimorada, 26 — um aumento de apenas 1 ponto. No início de outubro, uma versão antiga do índice atribuiu 38 pontos à prévia, mas ela e a v5 usam sistemas de avaliação diferentes. Por isso, não dá para concluir que a capacidade do modelo diminuiu.

• Eficiência de tokens: a média de saída por tarefa do Intelligence Index caiu de cerca de 135 mil para 82 mil tokens, uma redução de aproximadamente 39%.
• Custo das tarefas de avaliação: caiu de cerca de US$ 5,54 para US$ 2,06, uma redução de aproximadamente 63%. Isso não significa, porém, que todas as tarefas em produção terão a mesma economia.
• Indicador de precisão factual: a taxa de alucinação no AA-Omniscience v1.1 caiu de 41% para 28%. Esse resultado vale para a definição usada nesse conjunto de testes e não representa a probabilidade de erro em respostas do dia a dia.

Qual é a diferença entre o Mistral Large 4, o DeepSeek e o GLM?

A tabela abaixo reúne dados de avaliações independentes da Artificial Analysis, comparando o Large 4 High, o DeepSeek V4.1 Flash 1017 Max e o GLM-5.3 Max. As pontuações são um retrato das avaliações realizadas entre 29 e 30 de outubro e podem mudar.

O Intelligence Index não é uma taxa de acerto nem uma medida universal de inteligência dos modelos. A versão 5.0 é composta por nove avaliações que abrangem trabalho intelectual, engenharia de software, automação e raciocínio científico, entre outras áreas. A diferença de 6 pontos mostra que, nesse conjunto de testes, o Large 4 ainda não alcançou os principais modelos abertos chineses. A diferença de Elo no AA-Briefcase também revela limitações em algumas tarefas intelectuais complexas.

Quais são as vantagens do Mistral Large 4 como agente de programação?

No índice de agentes de programação, o Large 4 alcançou 48 pontos, bem perto dos 49 do GLM-5.3 e dois pontos à frente do DeepSeek. Ainda assim, não vale tirar conclusões exageradas de diferenças de um ou dois pontos. O consumo de tokens é mais revelador: o Large 4 usou cerca de 47% menos tokens que o GLM-5.3 e 49% menos que o DeepSeek.

O teste, porém, compara o conjunto completo de “modelo + framework de agente”, e os três modelos usaram frameworks diferentes. Além disso, o total inclui tokens de entrada, cache e saída. Por isso, consumir menos tokens não significa necessariamente pagar menos: o custo real depende também do preço de cada tipo de token.

Por que o ranking oficial e o independente são diferentes?

Os resultados divulgados oficialmente pela Mistral diferem bastante dos testes da Artificial Analysis. Ao consultar rankings assim, é importante verificar a configuração dos testes: não dá para juntar números de fontes diferentes em uma única classificação.

O framework de agente, a configuração de raciocínio, o ambiente de execução e os ajustes de invocação de ferramentas podem causar essas diferenças. Mas as informações públicas ainda não são suficientes para determinar o impacto de cada fator. Portanto, é válido dizer que “o Large 4 se destaca na configuração divulgada pela Mistral”, mas não que “testes independentes comprovam sua liderança nesses dois benchmarks”.

O mesmo vale para a segurança cibernética: o Large 4 marcou 51% no Cyber Index, abaixo dos 57% do DeepSeek e dos 56% do MiMo-V2.6-Pro. Embora a Mistral esteja investindo nessa área, não dá para afirmar que seu modelo é o melhor em todas as tarefas de segurança.

Dica para escolher: os rankings ajudam a reduzir a lista de candidatos, mas a decisão final deve ser validada com sua própria base de código e a reprodução das suas tarefas. Com a APIYI, em apiyi.com, você pode alternar entre os modelos candidatos usando o mesmo código compatível com a OpenAI e registrar a taxa de sucesso e o consumo de tokens.

Como calcular o custo da API do Mistral Large 4

O preço oficial do Large 4 é cerca de metade do preço inicial sem promoção (US$ 1,36 para entrada e US$ 4,18 para saída). No entanto, durante o período de prévia, houve uma promoção de aproximadamente duas semanas com valores próximos aos oficiais (cerca de US$ 0,68 para entrada e US$ 2,09 para saída). Portanto, é mais preciso dizer que “o preço é próximo ao promocional da prévia e significativamente menor que o preço inicial sem promoção”, e não que “o preço caiu 50% pela primeira vez em 29 de outubro”.

O custo por tarefa é a média ponderada das despesas no sistema de avaliação, não o valor cobrado por uma única tarefa em uma aplicação real. Com base nesses dados, o DeepSeek tem pontuação geral mais alta e custo menor; o GLM tem pontuação geral mais alta, mas também custa mais. O Large 4, portanto, não lidera nas duas dimensões. Além disso, a Mistral pode cobrar um adicional de 10% pela inferência em regiões da UE ou dos EUA. Os preços dos modos Batch e Priority também precisam ser verificados separadamente.

Vamos estimar o custo com uma hipótese: 10 milhões de tokens de entrada e 2 milhões de tokens de saída por dia. Pelo preço padrão, o custo diário seria de US$ 7,00 + US$ 4,20 = US$ 11,20. Se 80% da entrada vier do cache, o custo cai para US$ 1,40 + US$ 0,56 + US$ 4,20 = US$ 6,16, uma economia de cerca de 45%. A taxa real de uso do cache deve ser verificada nos dados das invocações. Tokens de raciocínio, chamadas de ferramentas e novas tentativas após falhas também podem aumentar o custo.

Como usar a API do Mistral Large 4

O ID oficial do modelo na API é mistral-large-4. Se você já tem um projeto com o SDK da OpenAI, basta ajustar o base_url e o nome do modelo para testá-lo:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # APIYI 统一接口
)

response = client.chat.completions.create(
    model="mistral-large-4",
    messages=[{"role": "user", "content": "检查这段代码可能存在的安全问题"}]
)
print(response.choices[0].message.content)

import openai

# Mistral 官方标准价，单位：美元/百万 Token
INPUT_PRICE = 0.70
OUTPUT_PRICE = 2.10

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

def ask_with_cost(prompt: str, model: str = "mistral-large-4") -> str:
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        max_tokens=2000
    )
    usage = response.usage
    # 未计入缓存折扣，实际计费以账单为准
    cost = (
        usage.prompt_tokens * INPUT_PRICE
        + usage.completion_tokens * OUTPUT_PRICE
    ) / 1_000_000
    print(f"输入 {usage.prompt_tokens}，输出 {usage.completion_tokens}，估算 ${cost:.6f}")
    return response.choices[0].message.content

print(ask_with_cost("为这个函数设计三个边界测试用例"))

Para começar: receba os créditos gratuitos de teste para novos usuários na APIYI apiyi.com e confirme se o modelo desejado está disponível e qual é seu ID. Antes de colocar a aplicação em produção, teste a invocação com algumas tarefas reais. Consulte o console para verificar os preços da plataforma.

Otimização de custos: ao comparar modelos, não olhe apenas para o preço unitário. Calcule também o “custo total para concluir uma tarefa com sucesso”. Ao usar a APIYI apiyi.com com cobrança por uso, registre separadamente para cada modelo o número de tentativas, os tokens de saída e os resultados das tarefas.

Análise do impacto do lançamento do Mistral Large 4

Impacto para desenvolvedores

• Mais uma opção para agentes de programação: o índice de programação do Large 4 é próximo ao do GLM-5.3, com menor consumo de tokens. Vale incluí-lo nos testes de fluxos de trabalho automatizados de longa duração.
• Em tarefas sensíveis a custos, ainda vale comparar com o DeepSeek: o DeepSeek tem preço unitário menor e diferenças significativas entre horários de pico e fora de pico. Em tarefas de grande volume, não basta considerar a vantagem do Large 4 no consumo de tokens.
• A opinião da comunidade ainda está se formando: no Hacker News, alguns consideram que o novo preço justifica novos testes, enquanto outros relatam que a versão prévia demora para responder. São apenas relatos iniciais, e parte das avaliações não se refere à versão aprimorada.

Impacto para equipes que fazem implantação própria

Pesos abertos não significam custo zero para execução local. Segundo estimativas da Unsloth, a quantização de 1 bit exige cerca de 256 a 270 GB de memória total, a de 4 bits, cerca de 630 GB, e a de 8 bits, cerca de 1,2 TB. Contextos longos e a sobrecarga do framework de inferência podem aumentar ainda mais essas necessidades.

A velocidade também depende do hardware e da configuração. Em testes da Hugging Face, uma única máquina M3 Ultra com bastante memória executou algumas versões quantizadas a cerca de 15 tokens por segundo. Já um servidor com oito GPUs H200 executou a versão FP8 a cerca de 65 tokens por segundo. Para uso em pequena escala ou temporário, geralmente faz mais sentido usar a API diretamente. Organizações com uso intenso e contínuo que priorizam o controle dos dados podem avaliar a implantação própria, mas não existe um volume de chamadas universal que garanta que ela será mais barata.

Impacto para empresas e para o setor

A Mistral aposta em infraestrutura europeia, implantação privada, personalização de modelos e continuidade dos negócios. Esses recursos não são exclusivos da empresa: modelos abertos chineses também podem ser implantados de forma privada. As diferenças reais estão na região de implantação, no ambiente jurídico, no suporte contratual e nas exigências de confiança da organização em relação ao fornecedor.

A restrição de MaaS da Mistral se aplica principalmente a negócios que oferecem a terceiros acesso à inferência ou ao pós-treinamento de modelos de uso geral. Produtos finais com o modelo incorporado a funcionalidades específicas, serviços que apenas encaminham solicitações e uso interno por empresas têm regras próprias. Em cada caso, é preciso consultar o texto completo da licença.

A segurança cibernética é outro ponto a acompanhar. A ENISA está testando o Large 4 para identificar vulnerabilidades, revisar código e analisar logs. Organizações como a Booz Allen Hamilton também publicaram avaliações positivas, mas essas declarações vêm de parceiros e não significam que o modelo já tenha sido amplamente implantado ou validado de forma independente. Da mesma forma, a taxa de recusa de 96,6% para solicitações maliciosas divulgada pela Mistral se baseia apenas nos comandos de teste escolhidos pela empresa e não significa que o modelo possa bloquear a mesma proporção de ataques no mundo real.

Perguntas frequentes (FAQ)

Principais pontos sobre o Mistral Large 4

• O melhor da Europa, mas por pouco: os 26 pontos são a maior pontuação fora da China, apenas 1 ponto à frente do Muse Spark Open.
• Capacidade geral ainda atrás: são 6 pontos de índice a menos que os 32 pontos de DeepSeek e GLM.
• Agente de programação já está próximo: com 48 pontos, fica apenas 1 ponto atrás do GLM-5.3 e supera os 46 pontos do DeepSeek.
• Eficiência no uso de tokens é o destaque: cerca de 8,5 milhões de tokens por tarefa, aproximadamente metade do consumo de GLM e DeepSeek.
• O custo depende do resultado da tarefa: na avaliação, foram cerca de US$ 2,06 por tarefa, menos que o GLM, mas mais que o DeepSeek.
• Aberto não significa sem restrições: negócios de MaaS que se enquadrem na definição precisam ficar atentos às exigências adicionais de licença comercial.
• Comece com uma validação em pequena escala: use a APIYI, em apiyi.com, para comparar os modelos candidatos em tarefas reais.

Resumo

Voltando à pergunta do título, a distância entre o Mistral Large 4 e o DeepSeek e o GLM depende do aspecto comparado:

1. Capacidade geral: ainda há uma diferença de 6 pontos, e o Large 4 ainda não ultrapassou os concorrentes no ranking global.
2. Agente de programação: as pontuações já estão bem próximas, e o consumo de tokens do Large 4 é significativamente menor no conjunto de testes correspondente.
3. Custo e implantação: ele fica entre o DeepSeek e o GLM e oferece opções diferenciadas, como infraestrutura europeia e personalização para empresas.

O lançamento não significa apenas a chegada de mais um modelo com trilhão de parâmetros. Ele também traz uma opção competitiva para equipes com necessidades de programação, segurança e implantação autônoma. A decisão de migrar depende do desempenho em tarefas reais, do custo total para concluí-las e dos requisitos de implantação.

A recomendação é começar com uma comparação em pequena escala usando os créditos gratuitos de teste da APIYI, em apiyi.com, e decidir os próximos passos com base nos dados reais.

📚 Referências

1. Anúncio oficial da Mistral: pesos da versão aprimorada disponibilizados oficialmente
2. Link: mistral.ai/news/mistral-large-4-oss

3. Descrição: informações sobre o lançamento, avaliações oficiais e declarações de parceiros

4. Documentação oficial de preços da Mistral: preços de API e inferência regional

5. Link: docs.mistral.ai/inference/pricing

6. Descrição: consulta de preços padrão, com cache e para diferentes modalidades de serviço

7. Página do modelo e licença no Hugging Face: pesos do Large 4 e MEOW License

8. Link: huggingface.co/mistralai/Mistral-Large-4-1T-A52B

9. Descrição: contém o cartão do modelo e dá acesso ao texto completo da licença

10. Apresentação técnica no Hugging Face: arquitetura e implantação

11. Link: huggingface.co/blog/mistral-large4

12. Descrição: apresenta a estrutura MoE, frameworks de inferência e resultados de testes de hardware

13. Ranking de modelos abertos da Artificial Analysis: dados de avaliações independentes

14. Link: artificialanalysis.ai/models/open-source

15. Descrição: índice geral e dados sobre agentes de programação, custo e velocidade

16. Guia de implantação da Unsloth: quantização e execução local

17. Link: unsloth.ai/docs/models/mistral-large-4

18. Descrição: estimativas de memória para diferentes níveis de quantização

19. Preços oficiais da DeepSeek: preços da API nos horários de pico e fora de pico

20. Link: api-docs.deepseek.com/quick_start/pricing

21. Descrição: consulta dos preços e horários do DeepSeek V4.1 Flash 1017

22. Licença do GLM-5.3: cláusulas de revisão de segurança para MaaS

23. Link: huggingface.co/zai-org/GLM-5.3/blob/main/LICENSE

24. Descrição: consulta do limite de receita e dos requisitos de uso comercial

25. Reportagem da VentureBeat: análise de classificação e custo do Large 4

26. Link: venturebeat.com/technology/mistral-large-4-le-chonk-arrives-as-the-top-open-model-outside-china-with-improved-coding-performance-and-63-lower-cost-per-task

27. Descrição: reúne informações sobre classificação do modelo, eficiência de tokens e mudanças no custo por tarefa

28. Discussão no Hacker News: primeiras impressões de desenvolvedores

    • Link: news.ycombinator.com/item?id=50289418
    • Descrição: opiniões sobre preços, implantação própria e controvérsias da licença, baseadas em experiências pessoais

Autor: Equipe técnica da APIYI
Discussões técnicas: entre em contato pela página inicial do site da APIYI. Para mais informações, acesse a central de documentação em docs.apiyi.com

Artigos relacionados

• DeepSeek Search & Fetch API é lançada: entenda em 3 minutos as novas capacidades de busca na web e o impacto para 4 tipos de desenvolvedores: A DeepSeek disponibilizou a Search & Fetch API, e este artigo resume as informações centrais do guia oficial, analisa 4 impactos para desenvolvedores de RAG, Agent e P&R conectados à web, e traz recomendações de preparação antes da integração.
• Kimi K3.1 Pro é lançado oficialmente: resumo dos novos recursos, preços e disponibilidade: Kimi K3.1 Pro foi lançado oficialmente em 24/10/2026: janela de contexto de 1M, três preços unitários 33% menores que os do K3, disponível na web, no app, no Kimi Code e via API; os pesos serão disponibilizados antes de 04/11/2026; este artigo reúne os novos recursos, os preços em cinco níveis e os canais disponíveis.
• Análise de preços do Gemini 4 Argon: o modelo já pode ser acessado pelo Vertex AI; estimativa dos custos reais em 5 cenários: O Gemini 4 Argon já está disponível no Vertex AI; este artigo detalha os preços promocionais de US$ 2/10 e oficiais de US$ 4/20, o desconto de 95% no cache, a cobrança de tokens de raciocínio e os custos ocultos do limite de saída de 1 milhão, compara-o ao Gemini 3.8 Flash, GPT-6 Astra e Claude Opus 5.5 e apresenta estimativas de custos para 5 cenários e código de integração econômica.
• Análise completa dos preços do Nano Banana 2.1: 5 diferenças principais em relação ao Nano Banana 2 e cálculo de economia: Análise dos preços do Nano Banana 2.1 com base na página oficial de preços do Google: o custo unitário das imagens geradas cai pela metade, mas os tokens de entrada e de raciocínio ficam mais caros, o consumo em 4K aumenta e a opção de 0,5K é removida; inclui custos por imagem em 1K/2K/4K, preços Batch, ponto de equilíbrio e recomendações de migração.
• Que utilidade ainda têm os comandos negativos na geração de imagens por IA? Uma avaliação atualizada de 3 tipos de formulação: A dependência dos modelos modernos de imagem de “bibliotecas de comandos negativos” diminuiu significativamente; este artigo analisa três tipos de comandos negativos, explica quais devem ser removidos e quais devem ser mantidos, e apresenta princípios práticos para criar comandos.