In breve
Mistral AI lancia un modello da 1.000 miliardi di parametri, pesi non ancora aperti. Google DeepMind porta l'embedding multimodale sul dispositivo.
Cosa è successo
Il 6 ottobre 2026 la francese Mistral AI ha rilasciato Mistral Large 4, un modello multimodale da 1.000 miliardi di parametri. Per ora è accessibile solo tramite un endpoint pubblico con guardrail. I pesi dovrebbero arrivare in circa tre settimane, dopo i test di sicurezza, ha detto a TechCrunch il vicepresidente Science Pierre Stock.[1]
Stock afferma che l'addestramento è avvenuto su infrastruttura Mistral con 4.000 GPU Nvidia, da due a tre volte meno dei concorrenti cinesi. I benchmark non sono ancora disponibili. Tra gli usi ottimizzati ci sono cybersecurity, finanza e progettazione di chip, settore vicino ad ASML e Samsung, che hanno guidato rispettivamente la Series C e la Series D, quest'ultima a una valutazione di 21 miliardi di euro.[1]
Lo stesso giorno Google DeepMind ha presentato EmbeddingGemma 2, un modello di embedding da 740 milioni di parametri che mappa testo, codice, immagini, audio e video in un unico spazio vettoriale. Si basa su Gemma 4 e ha licenza Apache 2.0. Con la quantizzazione su un Google Pixel 11 Pro servono circa 191 MB di RAM per il solo testo e circa 567 MB per la versione completa. Su MTEB Code il punteggio sale da 68,76 a 78,68.[2]
Divergenza fra le fonti Le fonti non si contraddicono, ma i loro dati hanno pesi diversi. I punteggi di Google DeepMind sono autodichiarati. Per Mistral i benchmark mancano e il dato sulle GPU è una dichiarazione di Stock. Anche «aperto» ha due significati: EmbeddingGemma 2 è già Apache 2.0, Mistral Large 4 non è ancora open-weight.[2, 1]
Perché conta
Interpretazione: i due annunci mostrano la competizione tra modelli aperti e chiusi su livelli diversi dello stesso stack. Mistral punta alla frontiera, con un modello grande per imprese e istituzioni. Google punta all'efficienza, con un componente piccolo che porta ricerca e recupero sul dispositivo.
Per l'Europa il punto è politico quanto tecnico. TechCrunch collega Mistral Large 4 alla «terza via» evocata dal presidente francese Emmanuel Macron, tra modelli chiusi che possono essere «staccati» e modelli aperti spesso made in China. Il dato sulle 4.000 GPU, se verificato, sosterrebbe una tesi di efficienza. Per ora resta una dichiarazione.[1]
L'embedding locale riduce la latenza e tiene i dati sul dispositivo. Google lo propone per pipeline RAG offline e per il recupero da parte di agenti di programmazione.[2]
Il segnale futuro
Scenario, non certezza: se i pesi arrivassero nei tempi e i benchmark indipendenti confermassero le dichiarazioni, l'Europa avrebbe un'opzione credibile tra fornitori americani e cinesi. Ritardi nei test di sicurezza ridurrebbero il vantaggio politico.[1]
Un secondo scenario: modelli grandi nei data center convivono con modelli piccoli sul dispositivo, che selezionano i dati prima di passarli a un modello generativo. Gemma 4 ed EmbeddingGemma 2 condividono tokenizzatore ed encoder audio, segno di un'impostazione in questa direzione.[2]
Cosa osservare adesso
Pesi e benchmark di Mistral Large 4
Verificare se i pesi arriveranno nei tempi indicati e che cosa mostreranno i confronti indipendenti.[1]
Adozione di EmbeddingGemma 2
Vedere quanti sviluppatori lo useranno in pipeline RAG locali e se il risultato su MTEB Code reggerà nelle applicazioni reali.[2]
Sicurezza e apertura
Osservare come i modelli open-weight vengono gestiti, a partire dal lavoro annunciato da Mistral con partner e governi.[1]
Metodologia
Base: il post ufficiale di Google DeepMind e un articolo di TechCrunch. Benchmark e consumi di calcolo sono dichiarati dalle aziende e non verificati in modo indipendente.[2, 1]
Fonti
- TechCrunch · Fonte giornalistica Mistral’s new 1T model aims to leapfrog closed and open rivals Pubblicata il 6 ottobre 2026 · consultata il 7 ottobre 2026
- Google DeepMind Blog · Fonte primaria · ufficiale EmbeddingGemma 2: an open, lightweight multimodal embedding model Pubblicata il 6 ottobre 2026 · consultata il 7 ottobre 2026