Arena modelli AI: debutta Mistral Large 4 al 17° posto

👁 113 letture

Questa settimana nell’Arena dei modelli AI (testati su compiti in lingua polacca) sono entrati due nuovi modelli: Mistral Large 4 e Mistral Large 4 (senza reasoning). La posizione più alta è stata raggiunta da Mistral Large 4, che si piazza al 17° posto tra i 26 modelli cloud con una media di 6,95 su 10. In vetta resta saldo Claude Opus 5.5 con 8,94/10.

L’Arena della settimana è il resoconto settimanale dei cambiamenti nell’Arena dei modelli AI: chi è entrato, chi ha perso posizioni e perché. Calcolo la classifica partendo dalla media dei voti assegnati dai giudici su 9 compiti di scrittura; accanto riporto anche il punteggio del Laboratorio di test (scala 0-100), che comprende anche compiti di correzione bozze e quiz linguistici condotti in polacco.

I nuovi modelli nell’Arena

Mistral Large 4: 17° posto

• Media dei giudici: 6,95 su 10 su 8 compiti.
• Punteggio nel Laboratorio: 69,2 punti su 100.
• Miglior risultato: traduzione di una newsletter - 8,3/10, 10° posto su 26.
• Peggior risultato: articolo per blog - 5,5/10, 19° posto su 26.
• Senza valutazione (risposta vuota): descrizione prodotto - questo compito non viene conteggiato nella media dell’Arena.

Il test completo con tutti gli esempi di errori: Mistral Large 4 - il mio test.

Mistral Large 4 (senza reasoning): 19° posto

• Media dei giudici: 6,50 su 10.
• Punteggio nel Laboratorio: 65,6 punti su 100.
• Miglior risultato: risposta a un reclamo di un cliente - 7,5/10, 14° posto su 26.
• Peggior risultato: spiegare l’inflazione a un bambino - 5,5/10, 25° posto su 26.

Il test completo con tutti gli esempi di errori: Mistral Large 4 - il mio test.

Cosa indica il debutto di Mistral

Mistral Large 4 è il primo nuovo modello aggiunto all’Arena dal suo avvio il 2 ottobre. Ho verificato nei registri del Laboratorio se nel frattempo fossero stati provati altri modelli: nessuno. Le sessioni precedenti più recenti (Llama 4 Maverick, Llama 4 Scout e Muse Glimmer 30B del 30 settembre) erano presenti fin dal primo giorno.

• Nei testi Large 4 supera nettamente il predecessore. Mistral Medium 3.5 ha una media di 5,13 ed è al 25° posto, mentre Large 4 con reasoning ottiene 6,95 e il 17° posto. Il divario maggiore si osserva nel riassunto (7,8 contro 3,9) e nella risposta a un reclamo (7,0 contro 4,1).
• Nel Laboratorio il divario quasi si azzera: 69,2 punti contro 68,0. Il punteggio del Laboratorio include anche la revisione di testi e vincoli rigidi inseriti nei prompt: Large 4 con reasoning ha esaurito l’intero limite di token nella prova complessa di correzione e nella descrizione prodotto, senza restituire testo. L’Arena esclude le risposte vuote dalla media, mentre il Laboratorio le sanziona come errore.
• La versione senza reasoning costa meno ed è più costante. Ha ottenuto una media di 6,50 e il 19° posto, ma ha risposto a tutte e 9 le prove. Inoltre, i 13 compiti del Laboratorio sono costati circa 0,013 EUR (0,015 USD) invece di circa 0,120 EUR (0,134 USD) (tasso BCE del 12/10/2026: 1 EUR = 1,1181 USD).
• I modelli di vertice restano lontani. Claude Sonnet 5.5 registra 8,28, GPT-6.1 Sol 8,57 e persino l’economico Gemini 3.8 Flash tocca quota 8,09. In compenso, Large 4 batte GLM-5.3, Claude Haiku 4.5 ed entrambe le varianti di Llama 4.

Per i dettagli sul lancio, i costi e i pesi aperti puoi leggere l’articolo Mistral Large 4: debutto, parametri, prezzi e pesi, mentre il confronto dei listini con i concorrenti si trova nell’analisi Mistral Large 4 vs Claude, GPT, Gemini e DeepSeek. Trovi inoltre tutte le informazioni sull’azienda nella nostra guida a Mistral AI.

Chi sale e chi scende

Tutte le retrocessioni di questa settimana hanno natura puramente meccanica: 8 modelli hanno perso posizioni unicamente perché le nuove entrate si sono collocate sopra di loro. I loro voti non sono cambiati.

Si segnalano lievi oscillazioni decimali senza cambi di posizione per Claude Opus 5.5 (-0,04) e GPT-6 Luna (-0,03). Si tratta dell’effetto dovuto alla nuova valutazione dei modelli ancora abbinati ai nuovi ingressi: i giudici hanno rianalizzato i loro testi e la media complessiva è variata di pochi centesimi.

Classifica dopo questa settimana

Come viene calcolata la classifica

• Ogni modello riceve gli stessi 9 compiti (abbiamo eseguito i test con prompt in lingua polacca): articolo, scheda prodotto, risposta a reclamo, post su LinkedIn, racconto, 10 titoli SEO, riassunto, spiegazione dell’inflazione a un bambino e traduzione.
• I testi sono valutati alla cieca da modelli-giudici su tre parametri: correttezza, naturalezza stilistica e aderenza alle istruzioni. La media finale definisce il punteggio su scala 0-10.
• La classifica considera i modelli ospitati su cloud. I modelli eseguiti in locale (su RTX 4090) rientrano in un elenco distinto per via di parametri di valutazione più permissivi.
• Il confronto tiene conto della classifica al termine della rilevazione precedente. Un calo di posizione a parità di punteggio indica semplicemente che un nuovo modello si è inserito più in alto.
• Il punteggio del Laboratorio (0-100) è una metrica a parte: 70% voto dei giudici, 20% aderenza alle regole vincolanti, 10% pulizia del testo, a cui si aggiungono correzione bozze e quiz.

I prossimi passi

Ogni novità presente nel nostro calendario delle uscite AI viene integrata nel Laboratorio non appena resa disponibile via API, per poi confluire nell’Arena. Puoi confrontare direttamente i testi prodotti da ciascun modello nell’Arena o scoprire i generatori visivi nella nostra arena dei generatori di immagini AI.

// continua a leggereAI senza censura? 9 modelli messi alla prova con 16 domandeBenchmarkTest AI: Claude Opus 5, GPT-6 Astra e altri 5 modelli a confrontoBenchmarkCOPEX: come si manipolano i modelli linguistici nei sistemi MCPBenchmark

Kinetyra