Mistral Small 4
Une option solide pour l'auto-hébergement et le contrôle total des données.
Présentation
Mistral Small 4, publié le 16 mars 2026, est le premier modèle Mistral à réunir les capacités de ses modèles spécialisés : le raisonnement de Magistral, le multimodal de Pixtral et le code agentique de Devstral. Le mode raisonnement s'active à la demande, ce qui permet de garder des réponses rapides pour les tâches courantes. Malgré son nom, c'est un gros modèle : un Mixture-of-Experts de 119 milliards de paramètres, dont seulement 6,5 milliards travaillent à chaque token, avec 256k tokens de contexte. Mistral annonce 40 % de latence en moins et trois fois plus de requêtes par seconde que Small 3. Il est sous licence Apache 2.0, sans restriction commerciale, et publié sur Hugging Face avec des variantes NVFP4 et une tête de décodage spéculatif. C'est le choix Mistral par défaut pour le volume : assistants, extraction de documents, agents simples. Pour les tâches les plus exigeantes, Mistral Medium 3.5 prend le relais.
Profil de compétences
Non communiqué
Trois mesures indépendantes
Ce que les gens préfèrent, ce que le modèle sait faire, ce que le marché utilise. Chaque source a ses biais, aucune ne suffit seule : nous les affichons séparément, sans les mélanger.
Forces
- Dispose d'un tier gratuit
- Open-source et auto-hébergeable
- Tarif d'entrée compétitif
À qui ça s'adresse
- vous voulez maîtriser vos coûts ou auto-héberger
- vos données doivent rester en UE
Cas d'usage idéaux
- Assistants et chatbots à fort volume
- Extraction et analyse de documents
- Agents simples à coût maîtrisé
Accès & disponibilité
Caractéristiques clés
Combien ça coûte par mois
Estimation à partir des prix API sourcés et d’un palier matériel pour l’auto-hébergement. Hypothèses modifiables.
Hypothèses : 36 mois d’amortissement, 0.25 €/kWh, 22 jours/mois, conversion 1 $ = 0.92 €. Hors main-d’œuvre, hors licences logicielles, hors redondance.
nAIvigate Trust Index
Ce que l’éditeur offre et documente pour un usage professionnel en Europe. Un critère non documenté vaut zéro et reste visible : le score monte quand l’éditeur publie, pas quand nous supposons.
19/19 critères documentés · 100 % · dont 12 posés par règle
Voir les critères▾
Badge Trust Index
Affichez ce score dans votre documentation, votre README ou votre page sécurité. Il se met à jour automatiquement.
[](https://naivigate.com/fr/model/mistral-small-4)Données & conformité
Ce que nous savons, ligne par ligne, avec la source et la date. Ces lignes alimentent les familles Données et Entreprise du Trust Index ci-dessus. La conformité RGPD dépend de votre traitement, pas du modèle seul.
| Résidence des données en UE | Oui |
| Accord de traitement (DPA) | Sans objet· auto-hébergé : les données ne sortent pas |
| Transfert hors UE | Non |
| Entraînement sur vos données | Non |
| Rétention configurable | Sans objet· auto-hébergé : les données ne sortent pas |
| Zero Data Retention | Sans objet· auto-hébergé : les données ne sortent pas |
| Auto-hébergeable | Oui |
| Hébergement déclaré | EU |
| Données anonymisables | Oui |
Qualité des données de la fiche
Ce score mesure la qualité des données de cette fiche : prix, contexte, Elo, licence, documentés, sourcés et récents. Il ne mesure ni le modèle ni sa conformité : pour cela, voir le Trust Index plus haut.
6/8 documentées · 3/8 sources primaires
Faire tourner en local
| Quantization | Disque | RAM / VRAM | Matériel type |
|---|---|---|---|
| Q4 · recommandé | 67.8 Go | 77 Go | Mac Studio 96-128 Go / 4× GPU |
| Q8 · équilibré | 127.3 Go | 142 Go | Infra GPU serveur (H100/A100…) |
| FP16 · qualité max | 238 Go | 264 Go | Infra GPU serveur (H100/A100…) |
Estimations pour un contexte modéré. Un long contexte augmente la RAM nécessaire (KV cache).
Déployer
Commandes prêtes à copier, générées depuis la fiche. Ajustez le contexte et le nombre de GPU à votre machine.
Serveur OpenAI-compatible pour la production sur GPU NVIDIA.
pip install vllm
vllm serve mistralai/Mistral-Small-4-119B-2603 \
--max-model-len 32768 \
--tensor-parallel-size 2 \
--dtype autoDonnées avancées · pour expertsArchitecture, modalités, coût détaillé, benchmarks complets▾
| Arena Elo | — |
| MMLU | — |
| GPQA | — |
| HumanEval | — |
| SWE-Bench | — |
| MATH | — |