Mistral rilascia Le Chonk, il modello da 1.050 miliardi di parametri che porta l’AI europea nella competizione degli open-weight

Mistral AI ha reso pubblici i pesi di Mistral Large 4, nome in codice Le Chonk, il modello più ambizioso sviluppato finora dalla società francese. L’annuncio del 29 ottobre 2026 segna un passaggio importante nella strategia dell’azienda: non limitarsi a offrire un modello avanzato attraverso un servizio API, ma consentire a imprese, sviluppatori e organizzazioni pubbliche di scaricarlo, modificarlo e gestirlo direttamente sulla propria infrastruttura. È una scelta industriale prima ancora che tecnologica, perché sposta una parte del controllo sull’intelligenza artificiale dal fornitore del servizio al soggetto che la utilizza.

Il modello era stato presentato in anteprima il 6 ottobre, quando Mistral aveva annunciato un’architettura da circa un trilione di parametri, precisando che soltanto una frazione sarebbe stata attivata durante l’elaborazione di ciascun token. La versione pubblicata conserva questa impostazione Mixture of Experts, con circa 1.050 miliardi di parametri complessivi e 52 miliardi attivi per token, secondo la scheda tecnica che include anche gli strati di embedding e di output. La distinzione è fondamentale: un modello da oltre mille miliardi di parametri non richiede necessariamente di eseguire contemporaneamente tutti quei parametri. Il router seleziona gli esperti necessari per ciascun passaggio, riducendo il lavoro computazionale rispetto a un’architettura densa di dimensioni equivalenti.

La dimensione del modello, tuttavia, non deve essere confusa con la sua efficienza operativa. L’architettura MoE di Large 4 utilizza 128 esperti specializzati, quattro dei quali vengono selezionati per token, insieme a un esperto condiviso. Il risultato è una rete estremamente ampia nella capacità complessiva, ma selettiva nell’esecuzione. È una direzione ormai centrale nello sviluppo dei modelli di frontiera: aumentare la capacità senza sostenere a ogni passaggio il costo computazionale di un modello denso equivalente. La stessa logica, con implementazioni differenti, è stata adottata da altri protagonisti del settore, tra cui DeepSeek.

Sul piano delle capacità, Le Chonk accetta testo e immagini, dispone di una finestra di contesto dichiarata di un milione di token ed è stato addestrato su dati che coprono oltre 160 lingue. La sua architettura integra un encoder visivo Pixtral da 1,6 miliardi di parametri. La combinazione è interessante soprattutto per le applicazioni aziendali: un agente può lavorare su repository software estesi, documentazione tecnica e contenuti visivi senza dover necessariamente frammentare ogni attività in una sequenza di richieste isolate. Naturalmente, una finestra di contesto teorica non garantisce da sola che il modello mantenga precisione e coerenza su ogni informazione ricevuta; la qualità del recupero e del ragionamento su grandi quantità di dati deve essere misurata nei casi d’uso reali.

La cybersecurity è uno degli ambiti sui quali Mistral intende costruire la propria differenziazione. Qui occorre però distinguere due numeri che nella comunicazione pubblica rischiano di essere confusi. La documentazione pubblicata da Hugging Face attribuisce al modello un risultato dell’82% nel test specifico di riproduzione e correzione di vulnerabilità presenti in software open source. Nell’annuncio ufficiale della versione aggiornata del 29 ottobre, Mistral riporta invece il 51% sull’Artificial Analysis Cyber Index, una valutazione più ampia che considera l’individuazione della vulnerabilità, la sua riproduzione e la successiva correzione senza compromettere il funzionamento del software. Sono misure differenti e non devono essere presentate come se fossero lo stesso benchmark. Mistral+1

La distinzione ha anche un significato operativo. Per un responsabile della sicurezza informatica, un modello capace di riprodurre una vulnerabilità in un ambiente controllato può accelerare la verifica di una falla e aiutare a produrre una correzione. Ma la stessa competenza, se applicata a sistemi non autorizzati, può diventare uno strumento offensivo. Mistral riconosce esplicitamente questo rischio: nel comunicato dichiara di aver osservato un potenziale incremento delle capacità di condurre attacchi reali e di stare modificando i meccanismi di protezione. La società afferma inoltre che il modello rifiuta in media il 96,6% delle richieste informatiche malevole nei test utilizzati. La pubblicazione dei pesi rende questa questione più complessa, perché il comportamento del modello può essere modificato anche dopo il download, al di fuori del controllo diretto del produttore.

L’infrastruttura utilizzata per l’addestramento racconta un’altra parte della storia. Mistral dichiara di aver impiegato 3.800 GPU NVIDIA Grace Blackwell nei propri data center europei. Non è un dettaglio marginale. Addestrare un modello di queste dimensioni richiede investimenti che vanno ben oltre l’acquisizione dei chip: servono disponibilità energetica, reti ad alta velocità, sistemi di raffreddamento e capacità di gestire infrastrutture distribuite. La scelta di utilizzare data center europei, controllati direttamente dall’azienda, permette a Mistral di sostenere una narrativa industriale precisa: l’Europa può sviluppare modelli avanzati senza dipendere interamente dall’infrastruttura cloud statunitense. Non significa aver raggiunto l’autonomia tecnologica, perché la dipendenza dalla filiera NVIDIA rimane evidente, ma dimostra che è possibile costruire una capacità europea di addestramento e distribuzione su scala significativa.

C’è poi un aspetto che merita attenzione da parte delle imprese: la licenza. Mistral Large 4 viene distribuito con la Mistral Ecosystem Open-Weight License, una licenza derivata dalla MIT che consente l’utilizzo, la modifica, il fine-tuning e anche la commercializzazione del modello. Esiste tuttavia una condizione importante: chi intende offrire il modello come servizio Model-as-a-Service deve ottenere una licenza commerciale separata da Mistral. Non siamo quindi davanti a un software completamente libero da vincoli commerciali. La disponibilità dei pesi offre una libertà considerevole, ma non elimina la necessità di leggere attentamente le condizioni di distribuzione e utilizzo.

Anche la parola download merita una precisazione. Pubblicare i pesi non significa rendere il modello immediatamente eseguibile su una workstation aziendale convenzionale. La distribuzione comprende versioni FP8 e NVFP4, oltre a quantizzazioni GGUF sviluppate dalla comunità. Hugging Face documenta il supporto attraverso Transformers, vLLM e llama.cpp, ma l’esecuzione completa richiede hardware con memoria sufficiente e, nelle configurazioni più performanti, un’infrastruttura multi-GPU. La versione NVFP4 è ottimizzata per le GPU NVIDIA Blackwell. Per questo motivo, la disponibilità pubblica non deve essere confusa con l’accessibilità economica: un’impresa può scaricare il modello senza pagare un abbonamento al fornitore, ma deve comunque sostenere i costi dell’infrastruttura, dell’energia e della gestione operativa.

La questione economica è particolarmente interessante. Mistral dichiara per l’accesso API un prezzo di 0,70 dollari per milione di token in ingresso, 0,07 per quelli in ingresso dalla cache e 2,10 per milione di token generati. Questi prezzi costituiscono un riferimento utile per confrontare il costo dell’inferenza gestita con quello di un’installazione privata. Ma il confronto non può fermarsi al prezzo per token. Un’azienda che utilizza il modello in modo intensivo deve valutare il costo totale di proprietà, includendo l’occupazione delle GPU, il personale necessario, l’ottimizzazione delle richieste e la manutenzione dell’ambiente. In alcuni scenari l’API rimarrà economicamente preferibile; in altri, soprattutto quando il volume di elaborazione è elevato o la riservatezza dei dati è un requisito contrattuale, l’installazione autonoma può diventare una scelta razionale.

Il significato strategico di Le Chonk emerge soprattutto nel confronto con i grandi laboratori americani. OpenAI e Anthropic hanno costruito una parte consistente del proprio vantaggio competitivo attraverso servizi proprietari, accessibili prevalentemente tramite API e piattaforme gestite. Mistral propone un modello differente: rendere disponibili pesi di livello avanzato, lasciando alle organizzazioni la possibilità di decidere dove eseguire l’inferenza e come adattare il sistema alle proprie esigenze. Non è una contrapposizione assoluta, perché anche Mistral continua a offrire servizi cloud e API, ma introduce un’alternativa concreta al modello di dipendenza dal fornitore.

Per l’Europa questo passaggio assume un significato particolare. La sovranità digitale viene spesso evocata nei documenti istituzionali, mentre nelle decisioni di acquisto delle amministrazioni e delle grandi imprese prevalgono ancora le piattaforme dei principali hyperscaler. La disponibilità di un modello europeo con pesi accessibili modifica almeno una parte di questa equazione. Una banca può costruire un ambiente privato per l’analisi dei documenti, un’azienda industriale può integrare agenti nei propri sistemi di progettazione e un operatore di cybersecurity può sviluppare strumenti di analisi del codice senza trasferire necessariamente ogni richiesta a un servizio esterno.

Resta però un punto che non dovrebbe essere sottovalutato. La sovranità non coincide con il possesso dei pesi. Dipende dalla possibilità concreta di governare l’intero ciclo di vita del sistema, compresa l’infrastruttura sulla quale viene eseguito. Se il modello è europeo ma l’organizzazione non controlla i dati, le GPU, la catena di distribuzione e le autorizzazioni degli agenti, la dipendenza tecnologica cambia forma, non scompare. È una distinzione che dovrebbe entrare nelle strategie di procurement pubblico e nelle politiche industriali europee, soprattutto quando si parla di dati finanziari, infrastrutture critiche e informazioni sensibili.

Mistral Large 4 non risolve questo problema, ma rende più credibile un’alternativa. La pubblicazione dei pesi rappresenta un investimento nell’ecosistema degli sviluppatori e, contemporaneamente, una mossa commerciale che può rafforzare la posizione dell’azienda nel mercato enterprise. Il vero risultato non si misurerà soltanto nei benchmark, ma nella capacità di trasformare Le Chonk in una piattaforma utilizzata stabilmente dalle imprese. Perché produrre un modello da oltre mille miliardi di parametri è una dimostrazione di capacità scientifica e industriale. Costruire intorno a quel modello un mercato sostenibile, invece, è un problema di strategia.

Fonti: Mistral AI, presentazione di Mistral Large 4; Mistral AI, rilascio ufficiale dei pesi, 29 ottobre 2026; Hugging Face, documentazione tecnica di Le Chonk; Reuters, il rilascio pubblico di Mistral Large 4.