Arena semanal: Mistral Large 4 entra en el ranking de IA

👁 112 lecturas

Esta semana se han incorporado dos modelos a la Arena de modelos de IA (evaluados en polaco): Mistral Large 4 y Mistral Large 4 (sin razonamiento). La mejor entrada ha sido la de Mistral Large 4, que se sitúa en el puesto 17 entre los 26 modelos en la nube, con una media de 6,95 sobre 10. En cabeza se mantiene sin cambios Claude Opus 5.5 (8,94/10).

La Arena semanal es el repaso a las variaciones del ranking: qué modelos entran, cuáles se mueven y por qué. Calculo la clasificación a partir de la media de puntuaciones de los jueces en 9 pruebas de redacción, acompañada por la nota del laboratorio (de 0 a 100), que incluye también corrección de estilo y pruebas lingüísticas específicas en las que evaluamos los textos originales en polaco.

Nuevas incorporaciones a la Arena

Mistral Large 4: puesto 17

• Media de los jueces: 6,95 sobre 10 en 8 pruebas.
• Puntuación en el laboratorio: 69,2 puntos sobre 100.
• Mejor resultado: traducción de newsletter (8,3/10, puesto 10 de 26).
• Peor resultado: artículo de blog (5,5/10, puesto 19 de 26).
• Sin evaluación (respuesta vacía): descripción de producto (esta tarea no computa para la media de la Arena).

Análisis completo con ejemplos de fallos: Mistral Large 4: mi análisis a fondo.

Mistral Large 4 (sin razonamiento): puesto 19

• Media de los jueces: 6,50 sobre 10.
• Puntuación en el laboratorio: 65,6 puntos sobre 100.
• Mejor resultado: respuesta a la reclamación de un cliente (7,5/10, puesto 14 de 26).
• Peor resultado: explicar la inflación a un niño (5,5/10, puesto 25 de 26).

Análisis completo con ejemplos de fallos: Mistral Large 4: mi análisis a fondo.

Qué nos dice el debut de Mistral

Mistral Large 4 es el primer modelo nuevo que entra en la Arena desde su puesta en marcha el 2 de octubre. He revisado los registros del laboratorio para ver si hubo alguna otra incorporación durante estos días: ninguna. Las pruebas inmediatamente anteriores (Llama 4 Maverick, Llama 4 Scout y Muse Glimmer 30B, del 30 de septiembre) ya formaban parte de la clasificación desde el primer día.

• En generación de texto, Large 4 supera con claridad a su predecesor. Mistral Medium 3.5 obtiene una media de 5,13 y queda en el puesto 25, mientras que Large 4 con razonamiento alcanza un 6,95 y escala al puesto 17. La brecha es mayor en el resumen (7,8 frente a 3,9) y en la respuesta a una reclamación (7,0 frente a 4,1). Cabe recordar que todas las pruebas se ejecutaron y evaluaron originalmente en polaco.
• En el laboratorio, la distancia casi desaparece: 69,2 puntos frente a 68,0. La métrica del laboratorio tiene en cuenta la corrección textual y el cumplimiento estricto de las instrucciones. Large 4 con razonamiento agotó por completo el límite de tokens en una corrección compleja y en la descripción de producto, devolviendo respuestas vacías. La Arena no puntúa las respuestas vacías, pero el laboratorio las penaliza como fallo.
• La versión sin razonamiento resulta más barata y homogénea. Obtiene una media de 6,50 y el puesto 19, pero completó las 9 pruebas sin excepción, y las 13 pruebas del laboratorio costaron unos 0,013 EUR (0,015 USD) en lugar de unos 0,120 EUR (0,134 USD) (conversión estimada según el tipo de referencia del BCE del 12/10/2026: 1 EUR = 1,1181 USD; ecb.europa.eu).
• Sigue lejos de la cabeza. Claude Sonnet 5.5 marca 8,28, GPT-6.1 Sol 8,57 e incluso una opción económica como Gemini 3.8 Flash registra 8,09. Pese a ello, Large 4 aventaja a GLM-5.3, Claude Haiku 4.5 y ambos modelos de Llama 4.

Encontrarás todos los detalles sobre el lanzamiento, el coste por API y los pesos abiertos en el artículo sobre las características de Mistral Large 4, además de una comparativa de precios en Mistral Large 4 frente a Claude, GPT, Gemini y DeepSeek. También puedes consultar nuestra guía sobre Mistral AI.

Movimientos en la tabla: quién sube y quién baja

Todas las caídas registradas esta semana han sido mecánicas: 8 modelos descienden puestos simplemente porque las nuevas incorporaciones se han posicionado por encima. Sus calificaciones se mantienen intactas.

Se aprecian ligeras variaciones en algunas notas sin alterar posiciones: Claude Opus 5.5 (-0,04) y GPT-6 Luna (-0,03). Se debe a la reevaluación de los modelos de anclaje frente al nuevo competidor: los evaluadores volvieron a calificar sus respuestas y la media global se ajustó unas centésimas.

Tabla de clasificación actualizada

Metodología de la clasificación

• Cada modelo se enfrenta a las mismas 9 tareas: un artículo, la descripción de un producto, la respuesta a una reclamación, una publicación para LinkedIn, un relato de ficción, 10 títulos SEO, un resumen, la explicación de la inflación para un público infantil y una traducción. Advertencia: las pruebas se llevaron a cabo íntegramente en lengua polaca.
• Varios modelos que actúan como jueces evalúan los textos a ciegas bajo tres parámetros: corrección, naturalidad y fidelidad a las instrucciones. La media resultante determina la puntuación final de 0 a 10.
• El ranking principal incluye únicamente modelos desplegados en la nube. Los modelos ejecutados en local (en una RTX 4090) figuran en una lista independiente al haber contado con un baremo más permisivo.
• La comparativa toma como referencia la edición anterior de la Arena. Si un modelo baja de posición manteniendo la misma nota, significa que una nueva incorporación ha obtenido mejor registro.
• La puntuación del laboratorio (de 0 a 100) responde a una fórmula propia: 70% procedente de los jueces, 20% de reglas estrictas impuestas en los prompts y 10% de limpieza formal del texto, complementado con pruebas de corrección lingüística.

Próximas evaluaciones

Cualquier novedad relevante de nuestro calendario de lanzamientos de IA pasa por el laboratorio nada más estar disponible vía API y da el salto posterior a la tabla. Puedes consultar y cotejar las respuestas generadas en la Arena o revisar nuestro análisis de herramientas visuales en la comparativa de generadores de imagen con IA.

// sigue leyendoFLUX 3 Max vs Kling, Seedance y Wan: Test en la ArenaBenchmarksVidu Q4 Preview llega al 3.º puesto en el ranking de vídeo IABenchmarksRanking de IA musical de Artificial Analysis: Suno v6 y Mureka V9.5Benchmarks

Kinetyra