> ## Documentation Index > Fetch the complete documentation index at: https://docs.tess.im/llms.txt > Use this file to discover all available pages before exploring further. # Mistral Large 4 > Conocé Mistral Large 4, el modelo multimodal de Mistral en vista previa pública: documentos, planos, finanzas, derecho y flujos con herramientas. Mistral Large 4 es la vista previa pública del modelo más grande de Mistral hasta ahora. Está pensado para **trabajo multimodal y flujos con herramientas**: lectura de documentos, gráficos y planos técnicos, análisis financiero y jurídico, y agentes que consultan más de una fuente antes de entregar un resultado. Lo que se destaca es la combinación de escala y uso práctico. Es un Mixture-of-Experts con **1,05 billones de parámetros**, de los cuales 52 mil millones quedan activos en cada paso, más un encoder de visión de 1,6 mil millones. Mistral entrenó el modelo desde cero en datacenters propios en Europa y anunció la liberación de los pesos para fines de octubre de 2026. Hasta entonces, el acceso es por la API de vista previa. | **Modelo del provider** `mistral-large-4-0` | **Contexto** 1M tokens | **Parámetros activos** 52B de 1,05T | **Provider** Mistral | | :- | :- | :- | :- | | **Entrada** Texto + imagen | **Salida** Texto | **Visión** Encoder de 1,6B | **Estado** Vista previa pública | ## Cuándo usar Mistral Large 4 Mistral ubica a Large 4 como modelo general de frontera entre los pesos abiertos, con fuerza especial en visión, finanzas, derecho y flujos de negocio. En coding evaluado por personas, queda detrás de Claude Opus 5. | | Mistral Large 4 | Claude Opus 5.5 | | - | - | - | | Mejor para | Documentos, planos, finanzas, derecho y flujos con herramientas | Trabajo complejo, abierto y de larga duración | | Entrada | Texto e imagen | Texto e imagen | | Contexto | 1M en la ficha oficial | 1M | > [!TIP] > > Usá Large 4 cuando la tarea mezcla texto e imagen, o cuando el resultado depende de una planilla, un PDF y más de una fuente. Para coding ambiguo y largo, comparalo con Opus 5.5 en tu propio flujo. ## Qué entrega la vista previa ### Visión en documento, gráfico y plano El modelo lee escenas densas, planos mecánicos, PDFs e imágenes geoespaciales grandes. En el grounding visual Dense 200, Mistral midió 42%, por delante del 41% de GPT-6 Astra. ### Finanzas, derecho y entregables En evaluaciones de terceros citadas por Mistral (vals.ai), Large 4 superó a GPT-6 Astra en tareas representativas de finanzas y de derecho. En el Legal Agent de Harvey, quedó adelante de los modelos de pesos abiertos. En AA-Briefcase, que mide knowledge work de larga duración, llegó a 1.393 Elo, por encima de DeepSeek V4 Pro. ### Flujos con herramientas En AutomationBench, 657 flujos de negocio en apps como Gmail, Hojas de cálculo, Slack y Salesforce, el modelo marcó 59,9%, por delante de Kimi K3, MiMo-V2.6-Pro y DeepSeek V4 Pro. ### Coding de repositorio, con un techo claro Mistral publicó 61,7% en DeepSWE v1.1, 59,4% en SWE-Atlas-QnA y 28,3% en Terminal-Bench 4.0. El Coding Agent Index combinado quedó en 49,8%, por encima de DeepSeek V4 Pro 0813 y de Qwen3.8 Max. En una evaluación ciega de Surge AI, los anotadores pusieron nota de 1 a 5 sin saber qué modelo respondía. Large 4 quedó segundo entre cinco, con 3,74, por delante de Kimi K3 (3,59), GLM-5.3 (3,60) y GLM-5.2 (3,40), y detrás de Claude Opus 5 (4,22). ## Qué muestran los benchmarks independientes En Artificial Analysis, la vista previa marcó **38 en el Intelligence Index**, en el puesto 64 entre 226 modelos de la misma clase. La mediana de la franja de precio es 26. En esa medición el modelo generó texto a 116 tokens por segundo, con 1,46 segundos hasta el primer token. El costo promedio fue US$ 1,13 por tarea del índice, calculado con el precio de lista (US$ 1,36 / US\$ 4,18), no con el promocional. La misma evaluación marca dos cuidados. El modelo fue verboso: 200 millones de tokens de salida en el índice, contra una mediana de 81 millones. Y la ventana medida ahí fue de cerca de 524K tokens, mientras la ficha oficial de Mistral declara 1M. > [!NOTE] > > Los números de coding, visión, finanzas y derecho de arriba los publicó Mistral. El Intelligence Index, la velocidad y el costo por tarea son de Artificial Analysis sobre la vista previa. Los resultados dependen del harness, de las tools y de la versión medida. Mistral informó que el entrenamiento por refuerzo de la vista previa todavía estaba en curso. Validá en tu flujo antes de cambiar una configuración en producción. ### Dónde no lidera * En coding juzgado por personas, **Claude Opus 5 quedó claramente adelante** (4,22 contra 3,74). * En Terminal-Bench 4.0, 28,3% no es el nivel de los modelos cerrados hechos para coding agéntico largo. * En Artificial Analysis, la vista previa escribe bastante más que la mediana de la franja. Pedí respuestas cortas cuando el formato importe. * Los pesos todavía no se publicaron. El comportamiento de la vista previa puede cambiar hasta el release. ## Dónde genera más valor ### Un plano o un PDF que hay que revisar La pieza, la cota o el gráfico están en la imagen, no en un campo de texto. Large 4 se acerca, revisa y devuelve lo que vio, con el punto de la imagen de donde sacó la respuesta. **Resultado esperado:** una revisión en la que cada número o pieza apunta al tramo visual de origen. ### Un análisis financiero repartido en varios archivos Balances, notas e informes no usan el mismo formato. El modelo recorre las fuentes, hace la cuenta y separa lo que falta para cerrar. **Resultado esperado:** una planilla y un resumen en los que cada valor tiene origen, y la ausencia de dato queda explícita. ### Un flujo que pasa por mail, planilla y mensaje La tarea no entra en una sola respuesta: hay que leer, registrar y devolver un entregable. Large 4 fue medido en ese tipo de flujo de negocio. **Resultado esperado:** el paso queda registrado en la herramienta correcta, y lo que no se pudo concluir vuelve como pendiente, no como éxito. ## Cómo aplicarlo en Tess **1. Elegí trabajo con archivo o imagen** Preferí PDF, planilla, gráfico, plano y flujos que cruzan más de una fuente. Para coding abierto y largo, compará con Opus 5.5. **2. Cerrá el formato y el tamaño de la respuesta** La vista previa tiende a escribir más que la mediana. Decí el límite de líneas, las columnas de la planilla y lo que no debe aparecer. **3. Definí tools y aprobaciones** Habilitá solo las herramientas necesarias. Exigí confirmación antes de enviar, publicar o cambiar datos. **4. Pedí el origen de cada número** Orientá al agente a citar página, celda o tramo de la imagen. Si la información no está en el material, tiene que decirlo. **5. Tratá la vista previa como vista previa** Corré un lote chico antes de cambiar un flujo en producción. El modelo todavía se estaba ajustando cuando Mistral abrió la API. ## Tres playbooks para empezar ### 1. Revisión de plano o gráfico **Entrada:** la imagen o el PDF y la lista de lo que hay que verificar.\ **Tools:** lectura de archivos. ```text theme={null} Revisá cada ítem de la lista en la imagen o en el PDF. Para cada uno, devolvé el valor encontrado y el punto de origen (página, región o celda). Si no lo encontrás, decilo. No completes con conocimiento general y no reescribas el documento. ``` **Listo cuando:** cada ítem tiene valor y origen, o está marcado como ausente. ### 2. Planilla financiera con fuentes **Entrada:** informes, notas y la pregunta de negocio.\ **Tools:** lectura de archivos y generación de planilla. ```text theme={null} Reuní los números necesarios para responder la pregunta y revisá cada uno en la fuente original. Armá una planilla con los cálculos y un resumen de hasta diez líneas. Señalá divergencias entre fuentes en vez de elegir un valor. No inventes datos ausentes; listá lo que falta para cerrar el análisis. ``` **Listo cuando:** cada número tiene origen, las divergencias están explícitas y la planilla coincide con el resumen. ### 3. Flujo entre mail y planilla **Entrada:** el mensaje recibido, la planilla de control y la regla de qué registrar.\ **Tools:** mail y planilla, con confirmación antes de escribir. ```text theme={null} Leé el mensaje y extraé solo los campos de la regla. Antes de grabar, mostrá qué va a entrar en cada columna. Grabá solo después de la confirmación. Si falta un campo obligatorio, no grabes: devolvé la pendencia en una frase. ``` **Listo cuando:** la fila solo existe después de la confirmación, y el caso incompleto queda como pendiente. ## Limitaciones y buenas prácticas * La API está en vista previa pública. Los pesos fueron anunciados para fines de octubre de 2026 y todavía no son el artefacto de producción. * El precio promocional (US$ 0,68 / US$ 2,09) es la mitad de la lista publicada en la misma ficha. Confirmá el precio vigente antes de estimar el costo. * La ficha oficial declara 1M tokens de contexto. Artificial Analysis midió cerca de 524K en la vista previa que evaluó. No armes un flujo que dependa del techo mayor sin probarlo. * Un contexto largo no reemplaza la selección de información. Enviá solo el contenido relevante. * En ciberseguridad, Mistral reporta un desempeño alto y, al mismo tiempo, una tasa de rechazo a pedidos maliciosos más alta que la de otros modelos abiertos. El trabajo defensivo sigue sujeto a la política de tu organización. * El modelo se entrenó con datos en más de 160 lenguas, incluidos los idiomas oficiales de la Unión Europea. Eso no reemplaza revisar el texto en el idioma de entrega. * Revisá números, citas y archivos antes de publicar o enviar. * Mantené aprobación humana para decisiones financieras, jurídicas, clínicas o de alto impacto. Ver también: [Modelos y costos](/es/models-and-cost) · [Mistral Large 4 — anuncio](https://mistral.ai/news/mistral-large-4/) · [Mistral Large 4 — documentación](https://docs.mistral.ai/models/mistral-large-4-0) · [Artificial Analysis](https://artificialanalysis.ai/models/mistral-large-4). This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.