Mistral Large: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Coding, y aun así queda abajo (#73 de 97 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.71 contra 8.78). Cuesta $9.60 por cada 1.000 llamadas.

Nota de calidad7.99/10#79 de 97 · del mejor al peor hay 1.3 puntos

Por 1.000 llamadas$9.60el 21º más caro de 97

Al mes, uso típico$14.4050 llamadas por día, todos los días

Velocidad53 tok/s32.4 s de espera media

⬡ Propietario ⚒ Puede usar herramientas ⌸ Le caben ~210 páginas a la vez ⛨ Cae ante instrucciones ocultas · 1.0/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 8.78 (-0.30 vs mediana)

Contenido 8.09 (-0.29 vs mediana)

Razonamiento 7.76 (-0.20 vs mediana)

Agentes 7.71 (+0.17 vs mediana)

Medido con 165 runs que puntúan, juez Phi-4 local · actualizado 2026-08-23 · datos abiertos

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.07. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Integridad de idioma (no mezclar idiomas) — 8.23 (+1.16 contra su media). Decide: no meter otro idioma en medio del texto
Generación de código (Python, SQL, debug) — 8.11 (+1.04 contra su media). Decide: escribir código que corre
JSON estructurado (extracción, schemas) — 8.07 (+1.00 contra su media). Decide: emitir JSON válido a la primera
OCR / extracción desde imágenes — 8.06 (+0.99 contra su media). Decide: leer datos de una imagen

Donde se cae

Resistencia a prompt injection — 2.07 (-5.00 contra su media). Decide: resistir una fuga de datos
Noticias + SEO (artículos completos) — 5.20 (-1.87 contra su media). Decide: escribir un artículo publicable
No inventar herramientas (abstenerse cuando no hay) — 5.94 (-1.13 contra su media). Decide: no inventar herramientas que no existen
Anti-alucinación (citas, contexto) — 5.95 (-1.12 contra su media). Decide: no inventar cuando no sabe

Si Mistral Large no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

Modelo	Calidad	$/1k	Latencia	Por qué
Ling 3.0 Flash Más barato, calidad equivalente	7.98	$0.101	12.1 s	misma nota o mejor, menos plata por llamada
GPT-5.6 Luna Mejor nota, precio parecido	8.52	$0.930	10.6 s	hasta 30% más caro, pero rinde más
Gemini 3.1 Flash Lite Responde antes	8.09	$2.33	4.1 s	al menos 40% menos de espera, sin caer de nota

La ficha: Mistral Large en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan	165
Tool calling	6.61
Resistencia a prompt injection	1.00
Precio
Precio por millón · entrada	$2.00
Precio por millón · salida	$6.00
Rendimiento y límites
Latencia total media	32.4 s
Ventana de contexto	128.000

Contra los mejores del ranking, en plata

La pregunta útil no es cuánto le falta a Mistral Large para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

Modelo	Calidad	$/1.000 llamadas
Mistral Large Este modelo	7.99	$9.60
GPT-5.6 Luna El de más calidad medida	8.52	$0.930
Claude Opus 4.8 El frontier más caro del top 10	8.48	$39.00

GPT-5.6 Luna (el techo medido) rinde 7% más y además es más barato: $0.930 contra $9.60. Acá no hay que elegir.
Claude Opus 4.8 (el caro que todos conocen) rinde 6% más (8.48 contra 7.99) y cuesta 4 veces más por llamada.

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto `max_tokens` darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Mistral Large no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

Tarea	Mediana	Peor caso medido	max_tokens sugerido
Tareas largas (sostener el hilo 8-12 turnos)	6.583	23.594	29.492 (piso)
Capacidades de agente (delegación. skills)	468	2.048	2.560
Auditar números (detectar el error plantado)	1.379	2.048	2.560
Decisiones de negocio (prioridades. plan)	1.264	2.048	2.560
Creatividad (hooks. analogías. narrativa)	737	2.048	2.560
Razonamiento profundo (matemática. Fermi)	1.482	2.048	2.560
Noticias + SEO (artículos completos)	1.940	2.048	2.560
Presentaciones (slides. reportes)	2.048	2.048	2.560
Razonamiento general (lógica. decisiones)	2.048	2.048	2.560
Ventas en frío (cold email. campañas)	383	2.048	2.560
Contenido startup (newsletter. actualidad)	2.048	2.048	2.560
Estrategia (pricing. planificación)	2.048	2.048	2.560
Gestión de tareas (action items. planes)	1.540	2.048	2.560
Multi-turno (debugging. requisitos)	1.123	1.915	2.393
Integridad de idioma (no mezclar idiomas)	1.219	1.895	2.368
OCR / extracción desde imágenes	745	1.703	2.128
JSON estructurado (extracción. schemas)	179	1.279	1.598
No inventar herramientas (abstenerse cuando no hay)	43	1.183	1.478
Anti-alucinación (citas. contexto)	243	1.153	1.441
Generación de código (Python. SQL. debug)	1.039	1.120	1.400
Contenido con datos verificables (no inventar)	345	1.009	1.261
Contenido genérico (blog. email. social)	975	1.003	1.253
Orquestación (flujos de varios pasos)	587	652	815
Resúmenes y extracción de datos	450	450	562
Traducción (es↔en)	120	447	558
Soporte al cliente (clasificar y responder)	160	375	468
Seguir instrucciones al pie de la letra	301	350	437
Precisión literal (hex. JWT. configs)	58	254	317
Tool calling (llamada de funciones)	97	144	180
Verificar un dato contra su fuente	54	84	105
Resistencia a prompt injection	41	54	67

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Mistral Large

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Ficha en OpenRouter — precio vigente, proveedores que lo sirven y límites de contexto

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Mistral Large es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →