Mistral Forge, Small 4 et Leanstral : la startup française change de dimension

Le 17 mars 2026, Mistral AI a enchaîné les annonces depuis la conférence Nvidia GTC à San Jose : Mistral Forge, une plateforme d’entraînement de modèles sur mesure ; Small 4, un nouveau modèle hybride open source ; Leanstral, un agent de vérification formelle de code ; et enfin un partenariat stratégique avec Nvidia au sein de la coalition Nemotron. Pour une entreprise qui n’existait pas il y a trois ans, le rythme est vertigineux. Plus significatif encore : chaque pièce s’emboîte dans un ensemble qui raconte la même histoire. Au lieu de rester le fournisseur de modèles open source européen, Mistral veut devenir l’infrastructure IA des entreprises qui refusent de dépendre des hyperscalers américains.

Les chiffres donnent le contexte. Le revenu annualisé de Mistral est ainsi passé de 20 millions de dollars début 2025 à plus de 400 millions début 2026, tandis que la startup vise le milliard d’ARR d’ici la fin de l’année. Sa valorisation atteint 11,7 milliards d’euros, et l’entreprise réalise environ 80 % de son chiffre d’affaires auprès de clients professionnels. C’est pourquoi les annonces de mars 2026 s’adressent directement à cette clientèle.

Mistral Forge : entraîner son propre modèle, pas simplement l’ajuster

Mistral Forge est l’annonce la plus stratégique des trois. Concrètement, la plateforme permet aux entreprises de construire des modèles d’IA à partir de leurs propres données internes, en couvrant l’intégralité du cycle de vie : pré-entraînement sur de vastes ensembles de données propriétaires, post-entraînement supervisé pour affiner le comportement sur des tâches spécifiques, puis apprentissage par renforcement pour aligner les modèles sur les politiques internes de l’organisation.

Au-delà du fine-tuning et du RAG

La distinction avec les approches classiques est fondamentale. D’un côté, le fine-tuning ajuste un modèle existant à la marge. De l’autre, le RAG (Retrieval-Augmented Generation) injecte du contexte au moment de l’inférence sans modifier le modèle. Mistral Forge, en revanche, permet de forger un modèle depuis la base, en intégrant les données propriétaires dès le pré-entraînement. Le résultat est un modèle qui comprend nativement le jargon métier, les processus et l’historique documentaire d’une organisation — un modèle que personne d’autre ne peut reproduire.

Fonctionnalités et partenaires de Mistral Forge

D’un point de vue technique, Mistral Forge supporte les architectures denses et Mixture-of-Experts (MoE), les entrées multimodales (texte, image, audio), et inclut également des outils de curation et de génération de données synthétiques. Les clients peuvent ainsi utiliser l’infrastructure de calcul de Mistral (Mistral Compute) ou bien déployer Forge sur leurs propres serveurs. Un service de conseil accompagne par ailleurs les organisations dans leur stratégie d’entraînement.

Les premiers partenaires annoncés positionnent clairement la cible : l’Agence spatiale européenne, Ericsson, ASML (leader mondial de la lithographie pour semi-conducteurs), Reply, ainsi que les agences DSO et HTX de Singapour. Autrement dit, des secteurs fortement réglementés où la souveraineté des données est non négociable.

Sur ce terrain, Mistral Forge affronte directement les offres des hyperscalers : Bedrock chez AWS, Vertex AI chez Google Cloud, Azure AI Foundry chez Microsoft. Toutefois, l’argument différenciant reste triple : la licence Apache 2.0, la possibilité de déployer en on-premise, et l’ancrage européen.

Mistral Small 4 : un modèle unique qui en remplace trois

Small 4 est le premier modèle Mistral à unifier les capacités de trois familles distinctes : Magistral pour le raisonnement, Pixtral pour la multimodalité (texte + image), et Devstral pour le codage agentique. Jusqu’ici, exploiter ces trois compétences nécessitait de maintenir trois modèles séparés, avec trois pipelines d’inférence et trois lignes de coûts. Désormais, Small 4 consolide tout en un seul point d’accès.

Architecture technique

Small 4 repose sur une architecture Mixture-of-Experts à 128 experts, dont seulement 4 sont activés par token traité. Au total, le modèle compte 119 milliards de paramètres, mais n’en mobilise que 6,5 milliards lors de chaque inférence. L’analogie la plus parlante : un cabinet de 128 consultants spécialisés, dont seuls les 4 plus pertinents sont sollicités pour chaque question. On bénéficie donc de la capacité de connaissance de 119 milliards de paramètres au coût de calcul d’un modèle de 6 milliards.

La fenêtre de contexte atteint par ailleurs 256 000 tokens, ce qui permet de traiter des documents longs, des bases de code entières ou des conversations étendues sans troncature. Le modèle accepte à la fois du texte et des images en entrée.

Un raisonnement ajustable à la volée

L’innovation la plus utile en pratique est le paramètre reasoning_effort. Lorsqu’il est réglé sur none, Small 4 répond rapidement, comme un modèle instruct classique. En revanche, réglé sur high, il active un raisonnement pas à pas comparable aux modèles Magistral. Le développeur choisit donc, requête par requête, le compromis entre vitesse et profondeur d’analyse — sans avoir à maintenir deux modèles séparés.

Performances et efficacité

Par rapport à Mistral Small 3, Small 4 affiche une réduction de 40 % du temps de complétion et traite trois fois plus de requêtes par seconde. Sur les benchmarks publiés par Mistral, Small 4 avec raisonnement activé égale ou dépasse GPT-OSS 120B sur LiveCodeBench, AA LCR et AIME 2025, tout en générant des réponses significativement plus courtes.

À titre d’exemple, sur AA LCR, Small 4 obtient un score de 0,72 avec 1 600 caractères de sortie, alors que les modèles Qwen comparables en nécessitent 5 800 à 6 100 pour des performances équivalentes. Cette concision a un impact direct sur les coûts : à 0,15 $ par million de tokens en entrée et 0,60 $ en sortie, Small 4 est déjà bon marché. Si le modèle produit en plus 3 à 4 fois moins de texte qu’un concurrent pour le même résultat, le coût réel par tâche devient encore plus avantageux.

Licence ouverte, matériel exigeant

Small 4 est publié sous licence Apache 2.0, la plus permissive des licences open source. N’importe qui peut donc le télécharger, le modifier et l’utiliser commercialement sans royalties. Le modèle est disponible sur Hugging Face, via l’API Mistral, et en tant que Nvidia NIM pour un déploiement optimisé.

Il faut néanmoins nuancer : l’auto-hébergement exige du matériel conséquent. Mistral recommande au minimum 4 GPU Nvidia H100 ou 2 H200. Ce n’est donc pas un modèle que l’on fait tourner sur un ordinateur portable.

Leanstral : prouver que le code fonctionne, pas seulement le générer

Leanstral est l’annonce la plus discrète des trois, et potentiellement la plus visionnaire. Il s’agit du premier agent de code open source conçu pour Lean 4, un assistant de preuve formelle utilisé en mathématiques et en vérification logicielle.

Pourquoi la preuve formelle change la donne

Pour comprendre l’enjeu, il faut partir du problème actuel. Les agents de code (Claude Code, Codex, Devstral) génèrent du code de plus en plus vite, mais la vérification reste humaine. Un développeur doit encore relire chaque ligne, tester et corriger. Ce goulot d’étranglement annule par conséquent une partie des gains de productivité. La preuve formelle propose une solution radicale : au lieu de tester un programme avec des exemples (qui ne couvrent jamais tous les cas), on prouve mathématiquement qu’il respecte sa spécification. Dès lors, si la preuve est validée, le code est garanti correct par construction.

Performances et coût de Leanstral

Leanstral automatise cette écriture de preuves. Basé sur la même architecture MoE que Small 4 avec 6 milliards de paramètres actifs, le modèle a été spécifiquement entraîné pour produire des preuves en Lean 4. Mistral l’a ensuite évalué sur FLTEval, un nouveau benchmark conçu pour mesurer la capacité à compléter des preuves dans des dépôts réels (et non des problèmes de compétition mathématique isolés).

Les résultats sont frappants en termes de rapport qualité-prix. En pass@2 (deux tentatives par preuve), Leanstral atteint un score de 26,3 pour un coût de 36 $, contre 23,7 pour Claude Sonnet à 549 $. Claude Opus 4.6 reste certes le meilleur en qualité brute (39,6), mais il coûte 1 650 $, soit 92 fois plus que Leanstral. Pour une équipe qui doit vérifier des centaines de preuves, le rapport est donc décisif.

Leanstral est disponible sous licence Apache 2.0, intégré dans Mistral Vibe (l’agent de codage CLI de Mistral), et accessible via un endpoint API gratuit. Il supporte en outre les serveurs MCP et a été optimisé pour fonctionner avec le lean-lsp-mcp.

Le partenariat Nvidia et la coalition Nemotron

En parallèle de ces trois produits, Mistral a également rejoint la coalition Nemotron de Nvidia en tant que membre fondateur, aux côtés de Cursor, Perplexity, Black Forest Labs, LangChain, Reflection AI et d’autres. L’objectif est clair : co-développer les prochains modèles ouverts Nemotron 4, entraînés sur l’infrastructure DGX Cloud de Nvidia.

Pour Mistral, ce partenariat résout avant tout un problème concret : l’accès à la puissance de calcul. Entraîner des modèles frontier coûte en effet des dizaines de millions de dollars en GPU. Nvidia apporte l’infrastructure, tandis que Mistral apporte son expertise en architectures MoE et en techniques d’entraînement. Le premier projet commun sera un modèle de base co-développé qui servira de socle à la famille Nemotron 4.

Ce positionnement est stratégiquement significatif. Mistral passe ainsi du statut de consommateur d’infrastructure Nvidia à celui de co-créateur des modèles fondamentaux sur lesquels l’écosystème va construire. Pour une entreprise de trois ans, c’est un saut de légitimité considérable.

Mistral Forge au centre d’une pile complète

Vue d’ensemble, la semaine de Mistral à la GTC dessine une pile technologique cohérente. Au socle, Mistral Forge permet de construire des modèles sur mesure. Au niveau intermédiaire, Small 4 offre un modèle généraliste efficient et open source. Au sommet, enfin, Leanstral apporte la vérification formelle pour garantir la fiabilité du code généré par les agents. Le partenariat Nvidia fournit quant à lui l’infrastructure de calcul nécessaire à l’ensemble.

Cette stratégie cible en définitive les entreprises qui veulent posséder leur IA plutôt que la louer. C’est un discours qui résonne particulièrement en Europe, où les questions de souveraineté numérique et de conformité réglementaire sont omniprésentes. Le message de Mistral n’est pas « utilisez notre modèle », mais bien « construisez le vôtre, avec nos outils ».

Notre avis

Les annonces de mars 2026 marquent un tournant pour Mistral. La startup ne joue plus uniquement la carte du modèle open source performant. Avec Mistral Forge, elle entre sur le marché de la personnalisation profonde de modèles, un segment dominé par les hyperscalers et où les marges sont élevées. Avec Leanstral, en parallèle, elle adresse un problème que personne d’autre ne traite sérieusement en open source : la vérification formelle du code généré par l’IA.

Small 4 est néanmoins le produit le plus immédiatement utile. Un seul modèle, une seule facture, trois compétences. L’architecture MoE à 128 experts avec 6 milliards de paramètres actifs est élégante, et les premiers retours de la communauté sont positifs sur les tâches structurées et le code. Certes, les limites sont connues (génération spatiale/SVG encore fragile, benchmarks publiés sélectifs), mais elles n’entament pas la proposition de valeur pour un usage entreprise.

La vraie question reste celle de l’exécution. Mistral Forge est ambitieux, toutefois le marché de l’entraînement sur mesure exige un accompagnement client lourd, une fiabilité irréprochable et une capacité de calcul massive. Le partenariat Nvidia répond en partie à ce dernier point. Pour le reste, Mistral devra prouver qu’il peut tenir la promesse à l’échelle, face à des concurrents disposant de moyens financiers et d’une base installée incomparables. Le talent et la vision sont là. L’année 2026 dira si la machine suit.