Um trilhão de parâmetros que chegam por download

Na quinta-feira, 29 de outubro, a francesa Mistral liberou os pesos do Mistral Large 4 — apelidado de Le Chonk, "o gordo" em francês. É o maior modelo aberto já publicado por um laboratório ocidental: 1 trilhão de parâmetros, entrada multimodal (texto e imagem), 1 milhão de tokens de contexto e 160 idiomas.

Só tem um detalhe que o anúncio deixa no rodapé: o download não é pequeno. A gente somou os arquivos do repositório oficial e deu 1.061 GB — 54 arquivos de 20 GB cada, contados hoje (30/10) direto na página do modelo no Hugging Face. Existe uma versão comprimida em NVFP4, de 610 GB, feita para GPUs Blackwell. Ainda assim, é o tipo de "aberto" que não cabe no seu notebook — e esse é o fio do post.

O que a Mistral construiu de fato

O cartão do modelo e o arquivo params.json — que é a configuração crua dos pesos, não o material de marketing — descrevem uma arquitetura de mistura de especialistas (MoE) com 128 especialistas roteados e 4 ativos por token, mais 1 especialista compartilhado. São 49 bilhões de parâmetros ativos por token (52 bilhões se você contar embeddings e a camada de saída), em 72 camadas, com vocabulário de 204.800 tokens.

A janela de contexto declarada é de 1.048.576 tokens — 1M, como o anúncio diz. Atenção esparsa com índice de top-2048, cache de KV em FP8, um codificador de visão de 1,6 bilhão de parâmetros no estilo Pixtral e uma cabeça de decodificação especulativa (DSpark) embutida no checkpoint para acelerar a geração. Tudo treinado do zero em 3.800 GPUs NVIDIA Grace Blackwell, nos data centers da própria Mistral na Europa, segundo o anúncio oficial.

É engenharia séria, e o detalhe de fabricação importa: o modelo não é um ajuste fino de um aberto chinês, é linhagem europeia do começo ao fim — o argumento que a Mistral chama de "IA soberana".

O que a Mistral mediu

Os números do anúncio, todos auto-reportados pela Mistral (nenhum foi verificado por terceiros até hoje):

TesteResultadoO que mede
FrontierCode 2.0 (Cognition, privado)19,7%Se um mantenedor de repositório aceitaria o patch do agente
Terminal-Bench 4.041%Trabalho de agente no terminal (+13 pontos sobre a prévia)
AA Coding Agent Index48%Empatado com o GLM-5.3, usando 47% menos tokens por tarefa
AA Cyber Index51%Achar, reproduzir e corrigir vulnerabilidade sem quebrar o resto
BrowseComp84,5%Navegação web com informação difícil de achar
B3 Agent Security97,1%Ataques a agente resistidos (era 93,3% na prévia)
Gráfico: CheriffAI · dados do anúncio e do model card do Mistral Large 4 (29/10/2026). Barras na escala de cada teste.

O ponto mais honesto do material é o que a Mistral chama de eficiência: no índice de agentes de código do Artificial Analysis ela empata com o melhor aberto chinês gastando 47% menos tokens por tarefa. Em custo por tarefa, empatar gastando metade é ganhar — porque token é a conta que chega no fim do mês.

A linha que a própria Mistral escreveu no model card

Aqui o post fica interessante, porque o contraponto não vem de fora: está no cartão do modelo, em inglês, sem holofote. No Artificial Analysis Intelligence Index v5, o Le Chonk marca 26 — e a Mistral descreve esse número como "o mais alto entre os modelos abertos ocidentais".

A frase seguinte, no mesmo parágrafo, é a que o release não repete: "os principais modelos abertos da China pontuam mais neste índice agregado".

Gráfico: CheriffAI · Intelligence Index v5 do Artificial Analysis: 26 para o Le Chonk (número do model card) e 59 para o topo da tabela, o Gemini 4 Carbon, segundo o levantamento do Silicon AI News (29/10/2026).

Ou seja: o melhor aberto do Ocidente fica em 26 num índice cujo topo marca 59 — e o topo é um modelo fechado, com acesso restrito a defensores cibernéticos aprovados pelo Google. Não é fracasso da Mistral; é o retrato de 2026. A fronteira fechada segue na frente, os abertos chineses vêm logo atrás, e os abertos ocidentais correm numa pista própria, mais lenta e mais auditável. Ler leaderboard sem esse contexto é escolher fornecedor por slide de conferência.

"Aberto" com uma cláusula

O nome da licença é pomposo — Mistral Ecosystem Open-Weight License — mas o texto é curto e vale ler inteiro (são 2,6 mil caracteres no arquivo LICENSE). É a licença MIT com uma condição a mais:

"Se o Licenciado ou qualquer de suas afiliadas opera um negócio de Modelo como Serviço, o Licenciado deve celebrar uma licença comercial separada com a Mistral antes de usar o Modelo ou seus derivados para qualquer fim comercial."

O texto define "Modelo como Serviço" como dar a um terceiro acesso ao modelo para inferência ou pós-treino "de forma que esse terceiro possa exercer controle significativo sobre as entradas, parâmetros ou dados de treino". E abre três exceções: uso interno não paga nada, produto final com a capacidade embutida em uma funcionalidade não paga nada, e revender acesso ao modelo da própria Mistral também não.

Traduzindo para o dia a dia de quem constrói: você pode baixar, rodar no seu servidor, ajustar com os seus dados e vender o produto que usa o modelo. O que você não pode é virar um provedor de inferência com ele sem negociar licença. Não há teto de receita, não há pedido de nome de usuário nem contagem de funcionários — é uma cláusula só, e ela mira exatamente o negócio de quem ganha dinheiro revendendo token.

Vale o vocabulário: isso é open weight (peso disponível), não open source (licença aprovada pela OSI). A diferença é prática: um modelo "open source" pode ser republicado e revendido; este, não. Não é pegadinha — está escrito, e a Mistral não esconde. Mas o título "pesos abertos" e a expectativa de "open source" viajam juntos na cabeça do público, e o post tem obrigação de separar as duas.

Quanto custa, de verdade, ser "aberto"

Tem dois preços, e eles não se parecem.

O primeiro é o da API: US$ 0,70 por milhão de tokens de entrada, US$ 0,07 em cache e US$ 2,10 por milhão de saída, segundo a página de modelos da Mistral. Para um modelo de 1 trilhão de parâmetros, é barato — mais barato por token que boa parte do tier premium fechado.

O segundo é o de rodar em casa: 610 GB no checkpoint NVFP4, que é a versão feita para Blackwell. Só os pesos ocupam mais do que três GPUs de 192 GB; com cache de KV para contexto longo e espaço para o índice esparso, quatro aceleradores da geração atual é o piso realista — e isso é um servidor, não um desktop. A conta não é impossível, mas é de quem já tem infraestrutura.

É por isso que o anúncio cita ABN AMRO, Belfius, Cisco, Cloudflare, ESA, Microsoft Foundry e a agência europeia ENISA testando o modelo para auditar código e analisar logs. Ninguém ali está economizando em conta de nuvem: estão comprando o direito de auditar o que roda dentro da própria rede. Soberania, no fim, é uma palavra para "eu consigo abrir o capô".

O que isso significa para quem está no Brasil

Para a maioria das empresas brasileiras, a decisão prática é chata e clara: usar via API. A US$ 0,70 por milhão de tokens de entrada, baixar 610 GB e manter quatro aceleradores ligados não fecha a conta — e o time que faria o fine-tuning custa mais que a fatura anual de inferência.

Mas há um grupo crescente para quem a resposta muda: bancos, seguradoras, saúde, setor público e qualquer operação que precise demonstrar onde o dado do cliente foi processado. A LGPD não proíbe nuvem estrangeira, mas exige saber o caminho do dado e poder provar controle. Um modelo com pesos baixáveis e auditáveis — mesmo com 1 TB de tamanho — é a diferença entre contratar um fornecedor e controlar o sistema. É a mesma lógica que fez o setor financeiro europeu abraçar o modelo em três semanas.

E fica o recado que o release não dá: em 2026, "aberto" virou sinônimo de duas coisas diferentes — peso disponível para quem tem data center, e marketing para todo mundo. Saber qual das duas está na sua mesa é o que separa uma escolha técnica de uma compra por influência de anúncio. O número de 26 no índice agregado e o de 1.061 GB no download dizem mais sobre o Le Chonk do que qualquer adjetivo do release.

Fontes