El 29 de octubre, Mistral puso a disposición para su descarga los pesos de Large 4. Esto significa que empresas y gobiernos pueden implementar internamente el modelo de IA de ciberseguridad, en lugar de depender de empresas estadounidenses o chinas. Sin embargo, esta libertad tiene un precio. Como Mistral tiene poco control sobre el modelo, no puede determinar quién podrá usarlo ni con qué fines.
De la vista previa de la API a los pesos descargables
Large 4 de Mistral se lanzó primero a través de una API el 6 de octubre y sus pesos se pusieron a disposición para su descarga el 29 de octubre. El acceso mediante API sigue siendo posible como opción de implementación. Las especificaciones oficiales de Large 4 indican que tiene 1,05 billones de parámetros, de los cuales 52.000 millones son parámetros activos, una cifra ligeramente superior a los 49.000 millones mencionados anteriormente por Cryptopolitan.
Las empresas pueden personalizar y alojar el modelo por su cuenta. Pero quienes quieran revenderlo como servicio alojado necesitan una licencia comercial aparte. Esa independencia es fundamental en la propuesta de Mistral. Como le dijo a TechCrunch el ejecutivo de la empresa Pierre Stock, el acceso «no se puede cortar».
Qué muestran las pruebas de referencia y qué no
Mistral informa que Large 4 obtuvo un 48 % en el Coding Agent Index, casi a la par de GLM-5.3. Sin embargo, Large 4 usó un 47 % menos de tokens por tarea. La empresa también informó puntuaciones del 19,7 % en FrontierCode 2.0 y del 41 % en Terminal-Bench 4.0.
El panorama es algo distinto en ciberseguridad. Large 4 obtuvo 51 puntos en el Artificial Analysis Cyber Index, por detrás de Kimi K3.1 Pro (64), DeepSeek V4.1 Flash (57) y Grok 4.7 (56). Pero estas puntuaciones requieren contexto. El índice mide qué tan bien los modelos de IA encuentran y corrigen vulnerabilidades de seguridad. No evalúa su capacidad para llevar a cabo ciberataques.
Pruebas de referencia de IA cibernética de Mistral Large 4 frente a sus rivales y adopción de modelos de pesos abiertos
A qué distancia está de la frontera de los modelos cerrados
A pesar de las mejoras que, según se informa, muestra Large 4 en programación y ciberseguridad defensiva, los principales modelos de pesos abiertos siguen por detrás de los sistemas cerrados más potentes. Un análisis de Epoch AI del 16 de octubre otorgó a GLM-5.3, el modelo de pesos abiertos líder, una puntuación Cyber ECI de 160. Los modelos cerrados más potentes obtuvieron 171. Al analizar el rendimiento histórico, Epoch estimó que los modelos de pesos abiertos estaban entre seis y siete meses por detrás de la frontera de los modelos cerrados. Sin embargo, su evaluación se realizó antes del lanzamiento definitivo de Large 4.
El Instituto de Seguridad de la IA del Reino Unido llegó a una conclusión similar. Estimó que los modelos de pesos abiertos están entre cuatro y siete meses por detrás de sus competidores de pesos cerrados, aunque sus pruebas diferían de las de Epoch AI.
El problema va más allá de las capacidades defensivas. Como parte de sus pruebas controladas, Anthropic informó que GLM-5.3 explotó con éxito vulnerabilidades existentes en 50 de 410 ensayos. Los investigadores lograron eludir las funciones de seguridad del modelo en entre el 64 % y el 100 % de sus distintas simulaciones.
La promesa de soberanía se enfrenta a la realidad de la adopción
Las empresas muestran cada vez más interés en controlar sus sistemas de IA, pero el gasto cuenta otra historia. Según los informes, en septiembre el 42 % de las empresas encuestadas usaba modelos de pesos abiertos en producción, frente al 31 % de julio.
Aun así, los modelos de pesos abiertos representaron apenas el 5 % del consumo de IA medido en octubre. Claude concentró el 29 %, mientras que Microsoft 365 Copilot representó el 36 %.
Futurum también descubrió que el origen del modelo influyó en las decisiones del 47 % de los usuarios que lo emplean en producción. Sin embargo, su encuesta se centró principalmente en América del Norte, lo que limita las conclusiones más amplias.
Para las empresas, una mayor independencia también implica asumir más responsabilidades. PwC ha advertido que las empresas que opten por modelos de pesos abiertos deberán gestionar su propia seguridad y mantenimiento.
Protecciones que no se pueden retirar
Esa responsabilidad cobra especial importancia cuando los modelos de IA pueden realizar tareas delicadas de ciberseguridad. Mistral afirma que Large 4 rechaza el 96,6 % de las solicitudes cibernéticas dañinas. Sin embargo, esas protecciones pueden eliminarse una vez descargado el modelo. AISI también advierte que los desarrolladores no pueden supervisar ni retirar las copias alojadas de forma privada.
Moonshot ha adoptado un enfoque distinto. La empresa eliminó el material de entrenamiento sobre ciberseguridad de Kimi K3.1 Pro antes del lanzamiento previsto de sus pesos, el 4 de noviembre. Posteriormente, la puntuación del modelo en su prueba interna de capacidades ofensivas bajó del 90,5 % al 81,0 %. Sin embargo, esos resultados no se han verificado de forma independiente.
Al 30 de octubre, no se había vinculado ningún ciberataque documentado públicamente con los pesos de Large 4, recién publicados.
No te limites a leer noticias sobre criptomonedas. Entiéndelas. Suscríbete a nuestro boletín. Es gratis.