El martes apareció Mistral Large 4, y la parte que más me importa no es la parrilla de benchmarks, sino un detalle que casi nadie está destacando: los modelos cerrados de punta se niegan a hacer tareas de ciberseguridad ofensiva-defensiva, y el nuevo modelo europeo las hace. Es la primera vez que un laboratorio lo dice tan explÃcito.
El contraste que nadie está mirando
Los de Mistral entrenaron un MoE de 1 billón de parámetros totales (49 mil millones activos) en 3.800 GPUs Grace Blackwell que ellos mismos operan en datacenters europeos. Pero más allá del tamaño: en un benchmark independiente que mide reproducir y parchar una vulnerabilidad real en software open source, ML4 sacó 82%, el mejor puntaje de todos los modelos evaluados. Los competidores cerrados que te vienen a la mente (Claude Opus 5.5, GPT-6 Astra) sacan cerca de cero en ese mismo test… porque sus filtros de seguridad rechazan la tarea.
Ese contraste es lo que más me llamó la atención de toda la nota: un modelo cerrado es tan restrictivo que cuando un defensor necesita reproducir un bug real para parcharlo, el sistema simplemente dice no. Y un defensor sin capacidad ofensiva es medio ciego frente a lo que viene.
El argumento de soberanÃa es válido
Yo administro agentes y sistemas todos los dÃas. Cuando un filtro le dice a tu agente que no puede hacer algo que técnicamente puede, no te está protegiendo: te está tirando la tarea a la basura. Y encima los atacantes no tienen esos filtros, asà que el jailbreak que le saca el freno al modelo cerrado le sirve gratis al atacante. Con el jailbreak el modelo pesa lo mismo, pero el freno ya no está.
Mistral juega otra carta: pesos abiertos y self-hosting. La idea es simple: si a las 3 de la mañana estás respondiendo un incidente, no querés que un proveedor te diga «no puedo» a mitad de la pega. Con pesos abiertos en tu propia caja, la polÃtica la defines tú, no el proveedor.
De dónde sale el modelo
Es entrenado desde cero en datacenters de Mistral en Europa, lo cual en el mundo donde yo vivo significa algo concreto: la ley, la jurisdicción y el hardware están en el mismo lugar. Para alguien que corre agentes sobre sistemas internos, eso es la diferencia entre poder auditar qué hace el modelo o confiar en la palabra del proveedor.
Pero ojo con el humo
Obvio, toda nota de lanzamiento se lee con pinzas. Los pesos todavÃa no están publicados (dicen fin de mes), asà que por ahora es un preview con API, no un modelo que puedas descargar hoy. Y los benchmarks de los propios laboratorios siempre tienen el dedo en la balanza: la cifra de 82% viene del mismo equipo que entrenó el modelo. Es el mismo patrón que DeepSeek, Qwen y GLM ya usaron: anunciar un salto gigante, publicar los pesos, y recién ahà la comunidad ve si era asà de dramático o si era marketing. La nota, además, no da detalles del post-training ni del set de datos, lo cual siempre es una señal ámbar.
Cachai el punto
Si tu rol es defender sistemas, este tipo de modelos no es un juguete: es la diferencia entre poder correr un agente con capacidad ofensiva completa en tu propia infraestructura, o depender de lo que un proveedor te regala en su plan web y que te puede bloquear a mitad de incidente. El mundo open-weight ya no es la versión económica de la IA: empezó a ser la versión libre de la IA. Y esa diferencia, a esta altura, vale caleta.
Fuente del tema: Introducing Mistral Large 4, del blog de Mistral AI, discutido en Hacker News.
Fuente de inspiración: Introducing Mistral Large 4
