> ## 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 > Conheça o Mistral Large 4, o modelo multimodal da Mistral em prévia pública: documentos, desenhos, finanças, direito e fluxos com ferramentas. Mistral Large 4 é a prévia pública do maior modelo da Mistral até agora. Ele foi feito para **trabalho multimodal e fluxos com ferramentas**: leitura de documentos, gráficos e desenhos técnicos, análise financeira e jurídica, e agentes que consultam várias fontes antes de entregar um resultado. O destaque é a combinação de escala e uso prático. É um Mixture-of-Experts com **1,05 trilhão de parâmetros**, dos quais 52 bilhões ficam ativos em cada passo, mais um encoder de visão de 1,6 bilhão. A Mistral treinou o modelo do zero em datacenters próprios na Europa e anunciou a liberação dos pesos para o fim de outubro de 2026. Até lá, o acesso é pela API de prévia. | **Modelo do provider** `mistral-large-4-0` | **Contexto** 1M tokens | **Parâmetros ativos** 52B de 1,05T | **Provider** Mistral | | :- | :- | :- | :- | | **Entrada** Texto + imagem | **Saída** Texto | **Visão** Encoder de 1,6B | **Status** Prévia pública | ## Quando usar o Mistral Large 4 A Mistral posiciona o Large 4 como modelo geral de fronteira entre os pesos abertos, com força especial em visão, finanças, direito e fluxos de negócio. Em coding avaliado por pessoas, ele fica atrás do Claude Opus 5. | | Mistral Large 4 | Claude Opus 5.5 | | - | - | - | | Melhor para | Documentos, desenhos, finanças, direito e fluxos com ferramentas | Trabalho complexo, aberto e de longa duração | | Entrada | Texto e imagem | Texto e imagem | | Contexto | 1M na ficha oficial | 1M | > [!TIP] > > Use o Large 4 quando a tarefa mistura texto e imagem, ou quando o resultado depende de planilha, PDF e mais de uma fonte. Para coding ambíguo de longa duração, compare com o Opus 5.5 no seu próprio fluxo. ## O que a prévia entrega ### Visão em documento, gráfico e desenho O modelo lê cenas densas, desenhos mecânicos, PDFs e imagens geoespaciais grandes. No grounding visual Dense 200, a Mistral mediu 42%, à frente dos 41% do GPT-6 Astra. ### Finanças, direito e entregáveis Em avaliações de terceiros citadas pela Mistral (vals.ai), o Large 4 superou o GPT-6 Astra em tarefas representativas de finanças e de direito. No Legal Agent da Harvey, ficou à frente dos modelos de pesos abertos. No AA-Briefcase, que mede knowledge work de longa duração, chegou a 1.393 Elo, acima do DeepSeek V4 Pro. ### Fluxos com ferramentas No AutomationBench, 657 fluxos de negócio em apps como Gmail, Planilhas, Slack e Salesforce, o modelo marcou 59,9%, à frente de Kimi K3, MiMo-V2.6-Pro e DeepSeek V4 Pro. ### Coding de repositório, com um teto claro A Mistral publicou 61,7% no DeepSWE v1.1, 59,4% no SWE-Atlas-QnA e 28,3% no Terminal-Bench 4.0. O Coding Agent Index combinado ficou em 49,8%, acima do DeepSeek V4 Pro 0813 e do Qwen3.8 Max. Numa avaliação cega da Surge AI, anotadores deram nota de 1 a 5 sem saber qual modelo respondia. O Large 4 ficou em segundo entre cinco, com 3,74, à frente de Kimi K3 (3,59), GLM-5.3 (3,60) e GLM-5.2 (3,40), e atrás do Claude Opus 5 (4,22). ## O que os benchmarks independentes mostram Na Artificial Analysis, a prévia marcou **38 no Intelligence Index**, em 64º lugar entre 226 modelos da mesma classe. A mediana da faixa de preço é 26. Nessa medição o modelo gerou texto a 116 tokens por segundo, com 1,46 segundo até o primeiro token. O custo médio foi US$ 1,13 por tarefa do índice, calculado com o preço de lista (US$ 1,36 / US\$ 4,18), não com o promocional. A mesma avaliação aponta dois cuidados. O modelo foi verboso: 200 milhões de tokens de saída no índice, contra uma mediana de 81 milhões. E a janela medida lá foi de cerca de 524K tokens, enquanto a ficha oficial da Mistral declara 1M. > [!NOTE] > > Os números de coding, visão, finanças e direito acima foram publicados pela Mistral. O Intelligence Index, a velocidade e o custo por tarefa são da Artificial Analysis sobre a prévia. Os resultados dependem do harness, das tools e da versão medida. A Mistral informou que o treino por reforço da prévia ainda estava em curso. Valide no seu fluxo antes de trocar uma configuração em produção. ### Onde ele não lidera * Em coding julgado por pessoas, o **Claude Opus 5 ficou claramente à frente** (4,22 contra 3,74). * No Terminal-Bench 4.0, 28,3% não é o patamar dos modelos fechados feitos para coding agêntico longo. * Na Artificial Analysis, a prévia escreve bem mais do que a mediana da faixa. Peça respostas curtas quando o formato importar. * Os pesos ainda não foram publicados. O comportamento da prévia pode mudar até o release. ## Onde ele gera mais valor ### Um desenho ou um PDF que precisa ser conferido A peça, a cota ou o gráfico estão na imagem, não num campo de texto. O Large 4 aproxima, confere e devolve o que viu, com o ponto da imagem de onde tirou a resposta. **Resultado esperado:** uma conferência em que cada número ou peça aponta para o trecho visual de origem. ### Uma análise financeira espalhada em vários arquivos Demonstrações, notas e relatórios não usam o mesmo formato. O modelo percorre as fontes, faz a conta e separa o que falta para fechar. **Resultado esperado:** uma planilha e um resumo em que cada valor tem origem, e a ausência de dado fica explícita. ### Um fluxo que passa por e-mail, planilha e mensagem A tarefa não cabe numa resposta só: é preciso ler, registrar e devolver um entregável. O Large 4 foi medido nesse tipo de fluxo de negócio. **Resultado esperado:** o passo fica registrado na ferramenta certa, e o que não pôde ser concluído volta como pendência, não como sucesso. ## Como aplicar na Tess **1. Escolha trabalho com arquivo ou imagem** Prefira PDF, planilha, gráfico, desenho e fluxos que cruzam mais de uma fonte. Para coding aberto e longo, compare com o Opus 5.5. **2. Feche o formato e o tamanho da resposta** A prévia tende a escrever mais do que a mediana. Diga o limite de linhas, as colunas da planilha e o que não deve aparecer. **3. Defina tools e aprovações** Habilite apenas as ferramentas necessárias. Exija confirmação antes de enviar, publicar ou alterar dados. **4. Peça a origem de cada número** Oriente o agente a citar página, célula ou trecho da imagem. Se a informação não estiver no material, ele deve dizer isso. **5. Trate a prévia como prévia** Rode um lote pequeno antes de trocar um fluxo em produção. O modelo ainda estava em ajuste quando a Mistral abriu a API. ## Três playbooks para começar ### 1. Conferência de desenho ou gráfico **Entrada:** a imagem ou o PDF e a lista do que precisa ser verificado.\ **Tools:** leitura de arquivos. ```text theme={null} Confira cada item da lista na imagem ou no PDF. Para cada um, devolva o valor encontrado e o ponto de origem (página, região ou célula). Se não encontrar, diga que não encontrou. Não complete com conhecimento geral e não reescreva o documento. ``` **Pronto quando:** cada item tem valor e origem, ou está marcado como ausente. ### 2. Planilha financeira com fontes **Entrada:** relatórios, notas e a pergunta de negócio.\ **Tools:** leitura de arquivos e geração de planilha. ```text theme={null} Reúna os números necessários para responder à pergunta e confira cada um na fonte original. Monte uma planilha com os cálculos e um resumo de até dez linhas. Aponte divergências entre fontes em vez de escolher um valor. Não invente dados ausentes; liste o que falta para fechar a análise. ``` **Pronto quando:** cada número tem origem, as divergências estão explícitas e a planilha cabe no resumo. ### 3. Fluxo entre e-mail e planilha **Entrada:** a mensagem recebida, a planilha de controle e a regra do que registrar.\ **Tools:** e-mail e planilha, com confirmação antes de escrever. ```text theme={null} Leia a mensagem e extraia apenas os campos da regra. Antes de gravar, mostre o que vai entrar em cada coluna. Grave só depois da confirmação. Se faltar um campo obrigatório, não grave: devolva a pendência em uma frase. ``` **Pronto quando:** a linha só existe depois da confirmação, e o caso incompleto fica como pendência. ## Limitações e boas práticas * A API está em prévia pública. Os pesos foram anunciados para o fim de outubro de 2026 e ainda não são o artefato de produção. * O preço promocional (US$ 0,68 / US$ 2,09) é metade da lista publicada na mesma ficha. Confirme o preço vigente antes de estimar custo. * A ficha oficial declara 1M tokens de contexto. A Artificial Analysis mediu cerca de 524K na prévia que avaliou. Não desenhe um fluxo que dependa do teto maior sem testar. * Contexto longo não substitui seleção de informação. Envie apenas o conteúdo relevante. * Em cibersegurança, a Mistral relata desempenho alto e, ao mesmo tempo, taxa de recusa a pedidos maliciosos maior que a de outros modelos abertos. Trabalho defensivo continua sujeito à política da sua organização. * O modelo foi treinado com dados em mais de 160 línguas, incluindo os idiomas oficiais da União Europeia. Isso não dispensa revisar o texto no idioma de entrega. * Revise números, citações e arquivos antes de publicar ou enviar. * Mantenha aprovação humana para decisões financeiras, jurídicas, clínicas ou de alto impacto. Veja também: [Modelos e Custos](/pt/models-and-cost) · [Mistral Large 4 — anúncio](https://mistral.ai/news/mistral-large-4/) · [Mistral Large 4 — documentação](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.