Mistral Large 4 passe de 38 à 25 points sur le nouvel indice d'Artificial Analysis
Artificial Analysis a publié le 27 octobre 2026 la version 5 de son indice de référence, dont 60 % des évaluations sont désormais privées ou à réponses secrètes. Le changement pénalise nettement les modèles à poids publiés ou annoncés. Douze d'entre eux perdent de 12 à 16 points, alors que Claude Opus 5.5 reste stable à 58. Mistral Large 4 passe ainsi de 38 à 25 points et se retrouve à égalité avec Muse Spark Open. Ses poids doivent être publiés autour du 31 octobre, selon une estimation.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de ActuIA. Lire l'article original →
Ce recalibrage modifie la lecture de la rivalité entre modèles fermés et modèles ouverts. Selon le nouvel indice, l'écart entre le meilleur modèle fermé et les meilleurs poids publiés passe de 12 à 26 points. Artificial Analysis met pourtant en avant un écart de 3 à 12 points. Ce chiffre inclut Kimi K3.1 Pro, dont les poids ne sont pas publiés, ce qui brouille la comparaison. Pour les entreprises qui choisissent un modèle ouvert afin de garder la maîtrise de leurs données ou de leurs coûts, la différence de performance annoncée devient beaucoup plus difficile à interpréter.
Le recours massif à des évaluations privées répond à un problème connu des classements publics : des jeux de tests accessibles peuvent être appris, volontairement ou non, par les modèles. Des questions dont les réponses restent secrètes limitent ce risque. Elles déplacent aussi une part de la confiance vers l'évaluateur, puisque les tests ne peuvent plus être vérifiés par tous. La publication des poids de Mistral Large 4 permettra de voir si d'autres évaluations confirment ce recul.
Mistral AI, fleuron français de l'IA, voit son modèle Large 4 chuter de 38 à 25 points, ce qui affecte la perception des modèles ouverts auprès des entreprises européennes soucieuses de maîtriser leurs données.