Mistral Large 4 alla prova: il modello europeo che sfiora la frontiera

Per anni la conversazione sui modelli linguistici di frontiera si è svolta quasi interamente tra San Francisco e Pechino, con l'Europa nel ruolo di spettatrice o, nel migliore dei casi, di regolatrice. Con Mistral Large 4 questa geografia comincia a cambiare: l'ho messo alla prova su un progetto reale, uno di quelli ostici in cui un modello mediocre si tradisce nel giro di pochi scambi, e ne sono uscito con un entusiasmo che non provavo da tempo per un modello non statunitense.

Non si tratta di tifo. L'output che ho ottenuto è molto vicino a quello cui mi hanno abituato Claude Code e ChatGPT: il modello capisce da solo ciò che deve fare, è molto attento alla sicurezza e, aspetto che mi ha sorpreso più di tutti, conserva la propria sensibilità ai dettagli anche quando la conversazione si fa lunga. In questo articolo racconto il test, il setup minimale con cui l'ho condotto (la CLI Pi collegata a OpenRouter) e ciò che emerge dai benchmark e dalle prime recensioni indipendenti, compresi i limiti che è giusto conoscere prima di adottarlo.

Che cos'è Mistral Large 4 e perché se ne parla tanto

Secondo l'annuncio ufficiale di Mistral, Large 4 è stato addestrato da zero su circa 3.800 GPU NVIDIA Grace Blackwell nei data center europei dell'azienda; Le Monde Informatique parla di circa due mesi di training su 4.000 GPU e sottolinea la formula «entièrement entraîné en Europe». Il dato interessante non è solo la scala, ma l'efficienza: Pierre Stock, VP Science di Mistral, ha dichiarato a TechCrunch che la potenza di calcolo impiegata è «da due a tre volte inferiore» a quella dei concorrenti cinesi.

Il risultato, secondo Artificial Analysis, è il modello più intelligente sviluppato al di fuori di Stati Uniti e Cina, con un punteggio di 38 sull'Intelligence Index, in linea con GPT-6 Luna e DeepSeek V4.1 Flash. È un salto enorme rispetto al predecessore Mistral Large 3, fermo a 9, ma conviene leggere il numero con equilibrio: fra i modelli open, Large 4 si colloca all'ottavo posto e i sette che lo precedono sono tutti cinesi (Eagentix). La leadership rivendicata è quindi quella tra i modelli open sviluppati in Europa e negli Stati Uniti, non in assoluto.

Due precisazioni sulla tabella. La finestra di contesto è il dato più ballerino: Mistral parla di 512K token, Artificial Analysis misura circa 520K sull'anteprima, mentre OpenRouter espone un contesto da 1M con output massimo di 262K token. Developers Digest consiglia prudentemente di progettare attorno ai 524K. La seconda riguarda i parametri attivi: il nome stesso del repository su Hugging Face, Mistral-Large-4-1T-A52B, chiarisce che i 52 miliardi includono embedding e livelli di output, mentre i 49 citati al lancio li escludono.

Il setup: perché ho usato Pi e OpenRouter invece di Claude Code

Volevo valutare il modello, non l'ambiente in cui gira. Claude Code, nella mia configurazione quotidiana, porta con sé memorie, server MCP e skills che ho costruito nel tempo: tutti elementi che migliorano il risultato finale ma che, in un test comparativo, contaminano la misura. Collegare Mistral Large 4 a quell'infrastruttura avrebbe significato attribuire al modello meriti che in parte sono dell'harness.

Ho scelto quindi Pi, il coding agent da riga di comando sviluppato da Mario Zechner (lo stesso autore di libGDX). Pi è dichiaratamente minimalista: quattro strumenti di base (read, write, edit e bash), un system prompt breve e consultabile pubblicamente su GitHub, nessun sub-agent né plan mode preconfezionati, che restano disponibili come estensioni opzionali (approfondimento di urandom.io). Per un test come questo è l'ideale, perché ciò che vedi è quasi esclusivamente il comportamento del modello.

Mi ha colpito la pulizia complessiva dello strumento. Supporta oltre quindici provider, tra cui OpenRouter e la stessa Mistral, consente di cambiare modello a metà sessione con il comando /model e salva le sessioni come alberi navigabili, da cui si può ripartire da un punto precedente con /tree. L'installazione richiede un solo comando:

1npm install -g @mariozechner/pi-coding-agent
2pi
3# all'interno della sessione: /model per scegliere mistralai/mistral-large-4-0 via OpenRouter

Per l'inferenza ho usato OpenRouter, che mi ha permesso di avere il modello operativo in pochi minuti alle stesse tariffe del listino Mistral, con una velocità più che soddisfacente. Un dettaglio poco noto, visibile nella pagina del modello su OpenRouter, merita attenzione: tra i provider compare anche un endpoint europeo di Mistral, più rapido (circa 97 token al secondo contro 65-70 degli altri) ma leggermente più caro (0,748 $ / 2,299 $ in regime di sconto) e soprattutto escluso dal routing standard. Chi ha vincoli di residenza dei dati in Europa deve quindi forzarlo esplicitamente tramite le preferenze di routing del provider; in caso contrario la richiesta può essere servita da un endpoint diverso.

Il test sul campo: cosa mi ha convinto

Il banco di prova è stato un progetto reale e particolarmente ostico, il genere di lavoro in cui si capisce rapidamente se un modello ragiona sul problema o si limita a produrre codice plausibile. Ho lavorato con Mistral Large 4 come avrei fatto con Claude Code o con ChatGPT, senza semplificargli il compito.

Autonomia nella comprensione del problema

Mistral Large 4 capisce da solo. Non ho dovuto guidarlo passo dopo passo né spiegargli ciò che un buon sviluppatore ricava dal contesto, e l'output che ha prodotto è molto simile, per impostazione e qualità, a quello cui mi hanno abituato Claude Code e ChatGPT. Finora non avevo riscontrato questo livello di autonomia in un modello europeo.

Attenzione alla sicurezza

Sul fronte della sicurezza il modello si è dimostrato molto bravo, attento ai punti deboli del codice senza bisogno di sollecitazioni specifiche. La mia impressione trova riscontro nei dati: Mistral ha ottimizzato Large 4 esplicitamente per la cybersecurity e dichiara l'82% su un test di riproduzione e correzione di vulnerabilità reali e il 93% su Cybench. Nella prova di MindStudio, il modello ha individuato un IDOR inserito ad arte in un portale Flask spiegandone la causa (l'endpoint di cancellazione verificava la proprietà della risorsa, quello di lettura no) e ha segnalato spontaneamente password in chiaro, un secret di sessione hardcoded e un file di cookie con un token valido finito nel repository.

Precisione anche a conversazione avanzata

È l'aspetto che mi ha sorpreso di più. Nella mia esperienza, Claude Code è estremamente preciso quando la finestra di contesto è ancora contenuta, ma la sua sensibilità ai dettagli cala man mano che il contesto cresce. Mistral Large 4, nella sessione che ho condotto, si è invece dimostrato molto sensibile ai dettagli anche a conversazione inoltrata, senza il calo di attenzione che mi sarei aspettato.

Il dato trova un parziale sostegno nel punteggio dell'81,3% su AA-LCR, il test di ragionamento su contesto lungo di Artificial Analysis riportato da eesel.ai. Per onestà va detto che la stessa fonte riporta l'esperienza opposta di un tester, secondo cui il modello dopo un po' «comincia a dimenticare le istruzioni»: si tratta di osservazioni su singole sessioni, la mia compresa, e il comportamento può dipendere molto dal tipo di lavoro e dall'harness utilizzato.

Non è ancora equiparabile al 100% a Claude o a ChatGPT, ma ci siamo davvero vicini. Ed è la prima volta che posso dirlo di un modello europeo.

Cosa dicono i benchmark (e cosa non dicono)

I numeri pubblicati al lancio sono numerosi, ma vanno separati in due gruppi: quelli dichiarati da Mistral, spesso su test selezionati o commissionati dall'azienda, e quelli misurati da terze parti. La tabella che segue raccoglie i principali, con l'indicazione della fonte.

Il dato più onesto, secondo Developers Digest, è proprio la valutazione umana alla cieca di Surge AI, perché è l'unica tra quelle diffuse da Mistral che includa un modello chiuso di riferimento. Il risultato conferma la mia sensazione: Large 4 è secondo su cinque, dietro Claude Opus 5 ma davanti ai migliori modelli open cinesi. Il punteggio basso su Terminal-Bench, invece, segnala un limite nei compiti agentici lunghi da riga di comando, un aspetto da tenere presente proprio per chi intende usarlo con una CLI.

C'è poi un'avvertenza sui risultati in ambito cyber. Il primato sul test di riproduzione e correzione delle vulnerabilità dipende in parte dal fatto che Claude Opus 5.5 e GPT-6 Astra ottengono punteggi vicini allo zero perché rifiutano il compito: è una differenza di policy più che di capacità, utile da conoscere per chi fa ricerca sulla sicurezza ma da non scambiare per una superiorità tecnica generalizzata.

Il rovescio della medaglia: verbosità, costi reali e allucinazioni

Il prezzo per token di Mistral Large 4 è competitivo rispetto ai modelli chiusi, ma il costo effettivo di un compito racconta una storia diversa. Per completare il proprio indice, Artificial Analysis ha consumato circa 200 milioni di token in output, contro una mediana di 81 milioni: il modello è molto verboso, soprattutto in modalità ragionamento, dove eesel.ai misura circa 69.000 token in output per compito contro i 5.500 di Large 3. Il costo per compito dell'indice si attesta così a 1,13 dollari a listino (0,57 con lo sconto), oltre quattro volte quello di modelli open di intelligenza comparabile come GLM-5.3-Flash o DeepSeek V4.1 Flash.

Due ulteriori segnali meritano attenzione. Il primo è il tasso di allucinazione del 41,9% su AA-Omniscience, che sconsiglia di affidarsi al modello per domande fattuali senza verifica. Il secondo riguarda il parametro reasoning_effort: un recensore citato da Developers Digest ha riscontrato che l'anteprima accettava solo i valori none e high, e che high produceva paradossalmente meno token di none. Infine, l'anteprima è soggetta a cambiamenti: la fase di reinforcement learning è ancora in corso e i pesi che verranno pubblicati potrebbero non coincidere con il modello oggi servito via API.

Un modello che ragiona da europeo?

Questa è la parte più personale dell'articolo, e la presento come tale. Usando Mistral Large 4 ho avuto la netta percezione che scriva molto meglio e che abbia, a mio giudizio, una comprensione maggiore rispetto a Claude Code e ChatGPT, pur con un output complessivo non ancora equiparabile al 100%. Non ho evidenze dirette sulla composizione del dataset di addestramento, quindi non posso affermare che contenga più informazioni sulla cultura europea che su quella americana.

Quello che Mistral dichiara, però, va nella stessa direzione: il modello è addestrato su oltre 160 lingue, comprese tutte quelle ufficiali dell'Unione, con una quota significativa di dati multilingue, e l'obiettivo esplicito, riportato da Le Monde Informatique, è ragionare e generare direttamente in queste lingue anziché passare principalmente per l'inglese. Per chi scrive documentazione, contenuti o interfacce in italiano, la differenza si sente. Nei test di MindStudio la qualità resta alta sulle lingue con molte risorse e cala invece su quelle meno rappresentate, come il gujarati: l'ipotesi più ragionevole è che il vantaggio percepito dipenda dalla presenza di molti dati di qualità nelle lingue europee.

Cosa manca ancora: l'infrastruttura attorno al modello

Un modello eccellente non basta, se l'ecosistema che lo circonda non è all'altezza. La forza di Anthropic e OpenAI oggi sta tanto nei modelli quanto negli strumenti: CLI performanti, applicazioni desktop strutturate, accesso agli MCP, librerie di plugin e skills. Ne ho parlato nel confronto tra Claude Code e Codex, dove la differenza la fa spesso proprio l'harness.

Va riconosciuto che Mistral su questo fronte non parte da zero. A maggio 2026 ha lanciato Vibe, un agente unificato per lavoro e codice che comprende una CLI con piano modificabile prima dell'esecuzione, skills richiamabili come comandi, sub-agent, un'estensione per VS Code e una Code Mode che esegue sessioni remote in sandbox. La CLI supporta già i server MCP via stdio e HTTP, anche se non ancora quelli con autenticazione OAuth. Non l'ho utilizzata in questo test, proprio per isolare il modello, e sarà l'oggetto di una prova successiva.

Il divario, quindi, non è tanto di presenza quanto di maturità e di ecosistema. Ecco cosa vorrei vedere da Mistral nei prossimi mesi per poter considerare la sua piattaforma una vera alternativa a quelle statunitensi nel lavoro quotidiano di uno sviluppatore.

• Una CLI con supporto a skills, sub-agent e server MCP (già presente in Vibe)
• Un'estensione per l'IDE basata sullo stesso harness della CLI (già presente per VS Code)
• Supporto ai server MCP con autenticazione OAuth
• Un'applicazione desktop strutturata, paragonabile a quelle di Anthropic e OpenAI
• Una libreria di plugin e skills condivisi dalla community, con un ecosistema maturo
• Prestazioni più solide nei compiti agentici lunghi da terminale

Se Mistral colmerà questi punti, potremo finalmente dire con orgoglio di avere un'azienda europea capace di competere sull'intera filiera, dal modello allo strumento. Con Large 4 la parte più difficile, quella del modello, sembra a buon punto.

Consigli pratici per provare Mistral Large 4

Per chi vuole replicare il test, la strada più rapida è quella che ho seguito: una CLI leggera come Pi e una chiave OpenRouter, oppure l'API diretta da Mistral Studio. Sull'ipotesi di eseguirlo in locale conviene essere realistici: con oltre un trilione di parametri, secondo Developers Digest i soli pesi occupano circa 525 GB anche con quantizzazione a 4 bit, cache esclusa. Per l'inferenza locale su hardware consumer servono modelli molto più piccoli, come quello che ho testato nell'articolo su un LLM in locale con Claude Code su una GPU da 8 GB.