Mistral ouvre les poids de Large 4 pour défier l'IA cyber des États-Unis et de la Chine
-
Mistral a publié les poids téléchargeables du modèle Large 4, permettant aux entreprises d'héberger et de personnaliser l'IA en interne.
-
Large 4 a obtenu 51 au Artificial Analysis Cyber Index, derrière ses principaux concurrents.
-
Les modèles open source restent environ quatre à sept mois derrière les systèmes d'IA propriétaires.
Le 29 octobre, Mistral a mis ses poids Large 4 à disposition du téléchargement. Cela signifie que les entreprises et les gouvernements peuvent déployer le modèle d'IA de cybersécurité en interne, plutôt que de dépendre des sociétés américaines ou chinoises. Toutefois, cette liberté a un prix. Comme Mistral exerce peu de contrôle sur le modèle, il ne peut pas déterminer qui sera en mesure de l'utiliser ni dans quel but.
De la prévisualisation par API aux poids téléchargeables
Mistral Large 4 a été déployé pour la première fois via une API le 6 octobre, et ses poids ont été mis à disposition du téléchargement le 29 octobre. L'accès par API reste possible en tant qu'option de déploiement. Les spécifications officielles de Large 4 indiquent que son nombre de paramètres est de 1,05 trillion, dont 52 milliards de paramètres actifs, ce qui est légèrement supérieur aux 49 milliards mentionnés plus tôt par Cryptopolitan.
Les entreprises peuvent personnaliser et héberger le modèle elles-mêmes. Mais celles qui souhaitent le revendre en tant que service hébergé ont besoin d'une licence commerciale distincte. Cette indépendance est au cœur de la proposition de Mistral. Comme l'a déclaré Pierre Stock, dirigeant de l'entreprise, à TechCrunch, l'accès « ne peut pas être coupé ». told TechCrunch
Ce que montrent les benchmarks, et ce qu'ils ne montrent pas
Selon les rapports de Mistral, Large 4 a obtenu un score de 48 % sur l'indice Coding Agent, se situant ainsi au même niveau que GLM-5.3. Toutefois, Large 4 a utilisé 47 % de jetons en moins par tâche. L'entreprise a également communiqué des scores de 19,7 % sur FrontierCode 2.0 et de 41 % sur Terminal-Bench 4.0.
La donne est légèrement différente en cybersécurité. Large 4 a obtenu 51 au Artificial Analysis Cyber Index, derrière Kimi K3.1 Pro (64), DeepSeek V4.1 Flash (57) et Grok 4.7 (56). Mais ces scores doivent être contextualisés. L'index mesure la capacité des modèles d'IA à détecter et corriger les vulnérabilités de sécurité. Il n'évalue pas leur aptitude à mener des cyberattaques.
À quelle distance du front fermé
Malgré les améliorations signalées de Large 4 en matière de codage et de cybersécurité défensive, les meilleurs modèles open-weight restent encore derrière les systèmes fermés les plus performants. Une analyse d'Epoch AI datant du 16 octobre a attribué à GLM-5.3, le principal modèle open-weight, un score Cyber ECI de 160. Les modèles fermés les plus puissants ont obtenu un score de 171. En analysant les performances historiques, Epoch a estimé que les modèles open-weight étaient en retard de six à sept mois par rapport au front fermé. Cependant, cette évaluation a été réalisée avant la sortie finale de Large 4.
L'AI Security Institute britannique est arrivé à une conclusion similaire. Il a estimé qu'il y avait un décalage de quatre à sept mois entre les modèles open source et leurs concurrents propriétaires, bien que ses tests diffèrent de ceux d'Epoch AI.
Le problème va au-delà de la question des capacités défensives. Dans le cadre de ses tests contrôlés, Anthropic a signalé que GLM-5.3 avait exploité avec succès des vulnérabilités existantes dans 50 essais sur 410. Les chercheurs sont parvenus à contourner les fonctionnalités de sécurité du modèle dans 64 % à 100 % de leurs différentes simulations.
La promesse de souveraineté face à la réalité de l'adoption
Les entreprises manifestent un intérêt croissant pour le contrôle de leurs systèmes d'IA, mais les dépenses racontent une autre histoire. Selon les rapports, 42 % des entreprises interrogées utilisaient des modèles à poids ouverts en production en septembre, contre 31 % en juillet.
Pourtant, les poids ouverts ne représentaient que 5 % de la consommation d'IA facturée en octobre. Claude détenait 29 %, tandis que Microsoft 365 Copilot représentait 36 %.
Futurum a également constaté que l'origine du modèle influençait les décisions de 47 % des utilisateurs en production. Toutefois, son enquête s'est concentrée principalement sur l'Amérique du Nord, ce qui limite la portée des conclusions générales.
Pour les entreprises, une plus grande indépendance signifie également assumer davantage de responsabilités. PwC a mis en garde en affirmant que les entreprises choisissant des poids ouverts doivent gérer elles-mêmes leur sécurité et leur maintenance.
Des garde-fous dont on ne peut pas se passer
Cette responsabilité devient particulièrement cruciale lorsque les modèles d’IA peuvent traiter des tâches sensibles en cybersécurité. Selon Mistral, Large 4 refuse 96,6 % des requêtes cyber nuisibles. Toutefois, ces garde-fous peuvent être désactivés une fois le modèle téléchargé. L’AISI met également en garde contre le fait que les développeurs ne peuvent ni surveiller ni retirer les copies hébergées de manière privée.
Moonshot a adopté une approche différente. L’entreprise a retiré les contenus de formation en cybersécurité de Kimi K3.1 Pro avant sa publication prévue le 4 novembre. Son score interne au benchmark offensif est ensuite passé de 90,5 % à 81,0 %. Cependant, ces résultats n’ont pas été vérifiés de manière indépendante.
À la date du 30 octobre, aucune attaque cyber documentée publiquement n’a été liée aux nouveaux poids de Large 4.
Les esprits les plus brillants du secteur crypto lisent déjà notre newsletter. Vous aussi ? Rejoignez-les.
FAQ
Qu’est-ce que Mistral Large 4 et où peut-il être téléchargé ?
Large 4, surnommé « Le Chonk », est le modèle multimodal natif de Mistral comptant un trillion de paramètres, avec environ 49 milliards de paramètres actifs. Ses poids sont désormais disponibles sur Hugging Face et via l’API de Mistral.
Le score Cyber Index de Large 4 prouve-t-il qu’il est capable de mener des attaques ?
Non. Artificial Analysis indique que son Cyber Index mesure uniquement les tâches défensives : la détection, la reproduction et la correction des vulnérabilités, excluant explicitement la création d’exploits fonctionnels ; le score de 51 % de Mistral ne constitue donc pas une preuve de capacités offensives.
À quel point les systèmes à poids ouverts sont-ils en retard par rapport aux modèles fermés dans le domaine de la cybersécurité ?
Epoch AI a estimé le 16 octobre que l’avant-garde ouverte accusait un retard d’environ six à sept mois par rapport à l’avant-garde fermée, tandis que l’AISI britannique avait précédemment mesuré un écart de quatre à sept mois grâce à ses propres tests.
Avertissement. Les informations fournies ne constituent pas des conseils en matière de trading. Cryptopolitan.com décline toute responsabilité concernant les investissements réalisés sur la base des informations fournies sur cette page. Nous recommandons vivement une recherche indépendante et/ou une consultation avec un professionnel qualifié avant de prendre toute décision d'investissement.
Micah Abiodun
Micah Abiodun met à profit son Master en Ingénierie et Gestion de l'Environnement (MSc) à l'Université de Technologie de Tallinn (TalTech) pour peaufiner ses articles sur les prévisions de prix et l'actualité à Cryptopolitan. Fort de sept années d'expérience dans les médias cryptographiques, il couvre les principales cryptomonnaies, les altcoins, la finance décentralisée (DeFi), les stablecoins, les tendances macroéconomiques et les technologies émergentes.
