Puis-je exécuter Mistral Small 4 localement ?

Oui — les poids sont ouverts sous licence Apache 2.0 et disponibles sur Hugging Face à mistralai/Mistral-Small-4-119B-2603. Mistral publie aussi un checkpoint quantifié NVFP4 et une tête Eagle de décodage spéculatif pour réduire la mémoire et améliorer la vitesse, bien que 119 milliards de paramètres au total exigent toujours un matériel conséquent.

Quel est le coût de Mistral Small 4 via API ?

Mistral le facture à 0,15 $ par million de tokens en entrée et 0,60 $ par million de tokens en sortie, avec une fenêtre de contexte de 256k tokens.

En quoi Mistral Small 4 diffère-t-il des précédents modèles Mistral Small ?

Il fusionne trois familles de modèles auparavant séparées — instruct, raisonnement (Magistral) et codage (Devstral) — en un seul modèle avec un mode raisonnement commutable, une entrée vision et des appels de fonctions agentiques, tout en étant significativement plus rapide que Mistral Small 3.

Mistral Small 4

3269°

#llm #mistralai #vision #raisonnement #programmation #agents

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Mistral | contexte de 262 144 tokens | 0,15 $/M entrée, 0,60 $/M sortie. Mistral Small 4 est la prochaine grande version de la famille Mistral Small, unifiant les capacités de plusieurs modèles phares Mistral en un seul système. Il combine le raisonnement puissant de Magistral, la compréhension multimodale de Pixtral, et les capacités agentiques de codage de Devstral, permettant à un seul modèle de gérer analyse complexe, développement logiciel et tâches visuelles dans un même flux de travail.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Mistral Small 4 est un modèle mixture-of-experts de 119 milliards de paramètres de Mistral AI qui combine raisonnement, vision et codage agentique en un seul système sous licence Apache 2.0. Avec seulement 6,5 milliards de paramètres actifs par token, il fonctionne plus vite que sa taille ne le suggère, et la fenêtre de contexte de 256k tokens gère les documents longs sans difficulté. Si vous voulez un modèle unique à poids ouverts capable de passer rapidement du chat à un raisonnement délibéré à la demande, c'est un candidat sérieux.

Connu pour

Bascule par requête du raisonnement : mode rapide ou raisonnement délibéré, à vous de choisir.
Entrée vision intégrée — attachez des images pour analyse ou extraction de documents.
Appels de fonctions natifs et sortie JSON pour workflows agentiques et d'utilisation d'outils.
Licence Apache 2.0 : usage commercial, fine-tuning, auto-hébergement permis.
Complétions 40 % plus rapides de bout en bout et 3× le débit de Mistral Small 3.

Attention à

119 milliards de paramètres au total signifie que le déploiement local nécessite un matériel sérieux ; vérifiez la VRAM avant de vous engager.
La sortie est uniquement textuelle — pas de génération d'images ni de sortie audio malgré l'entrée multimodale.
Le mode raisonnement ne vaut la peine d'être activé que pour des prompts complexes ; le laisser activé par défaut ajoute de la latence.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Vision

Contexte long

Prompts à essayer

Déboguer une boucle d'agent défaillante

J'ai un agent Python qui appelle un outil de recherche, puis un outil de résumé, puis rédige un rapport. Après le premier appel d'outil, il s'arrête et renvoie une chaîne vide. Voici le code : [collez le vôtre]. Expliquez-moi ce qui cloche probablement et réécrivez la boucle pour qu'elle complète les trois étapes de manière fiable.

Raisonner sur un plan complexe

Une petite équipe de développement compte trois ingénieurs. L'ingénieur A ne peut que relire du code, pas l'écrire. L'ingénieur B écrit vite mais introduit des bugs que A détecte. L'ingénieur C écrit lentement mais proprement. Une fonctionnalité critique doit être livrée dans cinq jours. Raisonnez étape par étape pour répartir le travail afin de livrer à temps avec le moins de défauts possible.

Extraire des données d'une image

Je joins une capture d'écran d'une facture. Extrayez le nom du fournisseur, le numéro de facture, les lignes avec quantités et prix unitaires, le sous-total, le montant de la taxe et le total dû. Retournez le résultat sous forme d'objet JSON avec ces clés exactes.

Comparer avec

Mistral Large 4
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.68/M, sortie $2.09/M
Mistral Large
Modèle uniquement API
Contexte de 128,000 tokens · entrée $2.00/M, sortie $6.00/M
Mistral Medium 3.5
Modèle uniquement API
Contexte de 262,144 tokens · entrée $1.50/M, sortie $7.50/M
Mistral Medium 3
Modèle uniquement API
Contexte de 131,072 tokens · entrée $0.40/M, sortie $2.00/M

Plus de modèles de texte de mistralai

Questions fréquentes

Puis-je exécuter Mistral Small 4 localement ?: Oui — les poids sont ouverts sous licence Apache 2.0 et disponibles sur Hugging Face à mistralai/Mistral-Small-4-119B-2603. Mistral publie aussi un checkpoint quantifié NVFP4 et une tête Eagle de décodage spéculatif pour réduire la mémoire et améliorer la vitesse, bien que 119 milliards de paramètres au total exigent toujours un matériel conséquent.
Quel est le coût de Mistral Small 4 via API ?: Mistral le facture à 0,15 $ par million de tokens en entrée et 0,60 $ par million de tokens en sortie, avec une fenêtre de contexte de 256k tokens.
En quoi Mistral Small 4 diffère-t-il des précédents modèles Mistral Small ?: Il fusionne trois familles de modèles auparavant séparées — instruct, raisonnement (Magistral) et codage (Devstral) — en un seul modèle avec un mode raisonnement commutable, une entrée vision et des appels de fonctions agentiques, tout en étant significativement plus rapide que Mistral Small 3.

Verdict du capitaine
Un généraliste rare à poids ouverts qui justifie son emploi sur le codage, la vision et le raisonnement sans vous forcer à jongler entre trois modèles distincts.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Llama 3.1 Nemotron 70B Instruct

TEXT / LLM

Cydonia 24B V4.1

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Mistral Small 4 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm mistralai vision raisonnement programmation agents contexte long

Parcourir par famille de modèles