Il 9 settembre 2026 su OpenRouter è comparsa una pagina di confronto diretto tra Mistral Small 4 e Qwen3.8 Max, segno che gli sviluppatori stanno già mettendo a confronto i due modelli nelle loro pipeline di produzione. Non è un caso isolato. Da un lato c’è un modello europeo a pesi aperti, autoispezionabile e autoospitabile su server in Unione Europea. Dall’altro un modello cinese chiuso, disponibile solo via API, con un punteggio di ragionamento tra i più alti misurati quest’anno.
Il confronto arriva in un momento delicato per chi sviluppa software in Italia e in Europa: l’AI Act è pienamente in vigore, la sovranità dei dati è tornata al centro delle policy IT aziendali e il costo per milione di token pesa sempre di più sui budget dei team prodotto. Mistral Small 4 e Qwen3.8 Max rispondono a queste pressioni in modi opposti. Questo articolo mette a confronto specifiche, benchmark, prezzi, licenze e casi d’uso reali per capire quale dei due convenga scegliere, e quando.
Chi sono Mistral Small 4 e Qwen3.8 Max
Mistral Small 4 è il modello di fascia media rilasciato da Mistral AI, azienda francese, il 16 marzo 2026. È costruito con un’architettura Mixture-of-Experts: 128 esperti totali, di cui 4 attivati per ogni token elaborato, per un totale di circa 6,5 miliardi di parametri attivi su un pool complessivo di 119 miliardi. Mistral lo distribuisce con licenza Apache 2.0, quindi a pesi aperti, scaricabile e autoospitabile senza restrizioni commerciali. Il modello gestisce testo e immagini e punta a coprire in un solo pacchetto instruction-following, ragionamento e coding agentico, secondo quanto riportato nella pagina di annuncio ufficiale di Mistral AI.
Qwen3.8 Max è invece il modello di punta di Alibaba Cloud, disponibile dal 3 agosto 2026 e aggiornato con la variante datata “0902” osservabile su OpenRouter. Alibaba non ha reso pubblico il conteggio esatto dei parametri, una scelta comune per i modelli di punta closed-source, a differenza di quanto fa Mistral con la documentazione tecnica di Small 4. Ciò che è documentato con chiarezza è la finestra di contesto da un milione di token e un output massimo di 131.000 token, oltre a punteggi di ragionamento tra i più alti registrati nel 2026 su GPQA Diamond. A differenza di Mistral Small 4, Qwen3.8 Max non viene distribuito come modello a pesi aperti: è accessibile solo tramite API a pagamento, tramite Alibaba Cloud o provider terzi come Fireworks AI.
La differenza di filosofia è il vero centro di questo confronto. Non si tratta solo di quale modello risponda meglio a un prompt, ma di quale approccio, aperto o chiuso, europeo o extra-UE, si adatti meglio al progetto che stai costruendo.
Il contesto: perché questo confronto conta nel 2026
Fino a poco tempo fa i confronti tra modelli europei e modelli asiatici o statunitensi si concentravano quasi sempre su chi vinceva un singolo benchmark. Il nostro precedente confronto tra Llama 4 e Mistral Large 3 aveva già mostrato come la scelta tra un modello a licenza community e uno Apache 2.0 non fosse solo una questione tecnica, ma toccasse direttamente la conformità normativa delle aziende europee. Con Mistral Small 4 e Qwen3.8 Max il tema si ripropone in una forma ancora più netta, perché qui non si confrontano due gradi diversi di apertura, ma un modello completamente aperto contro uno completamente chiuso.
Il fatto che sia stato Qwen3.8 Max, e non un altro modello cinese come quello che avevamo già misurato nel confronto Qwen3.8 Max vs DeepSeek V4 Pro, a finire a confronto diretto con Mistral Small 4 su piattaforme come OpenRouter non è casuale: Qwen3.8 Max si è affermato nel 2026 come uno dei modelli con il punteggio di ragionamento scientifico più alto sul mercato, mentre Mistral Small 4 si è ritagliato lo spazio di modello europeo di riferimento per chi deve conciliare prestazioni, costo e conformità. Sono due strategie di prodotto diverse che, in questo momento specifico del mercato AI, si trovano a competere per lo stesso tipo di cliente aziendale.
Va anche detto che la fascia di modelli a cui appartiene Mistral Small 4 non è quella di punta della casa francese: esistono varianti Large più costose e più potenti. La scelta di confrontarlo con un modello Max, la fascia più alta di Alibaba, riflette il posizionamento di prezzo reale dei due prodotti sul mercato più che la loro fascia dichiarata: al prezzo di Mistral Small 4 corrisponde su Qwen una fascia molto più economica, mentre Qwen3.8 Max si confronta per prezzo con modelli europei di fascia Large. Il confronto qui proposto guarda quindi al prezzo e alle prestazioni effettive, non alle etichette di marketing “Small” o “Max” usate dai due vendor.
Specifiche tecniche a confronto
La tabella seguente riassume le specifiche pubblicamente verificabili di entrambi i modelli, raccolte dalla documentazione ufficiale Mistral e dalle pagine tecniche di OpenRouter e Requesty.ai.
| Caratteristica | Mistral Small 4 | Qwen3.8 Max |
|---|---|---|
| Sviluppatore | Mistral AI (Francia) | Alibaba Cloud (Cina) |
| Data di rilascio | 16 marzo 2026 | 3 agosto 2026 (snapshot 0902) |
| Parametri totali | 119 miliardi | Non divulgati |
| Parametri attivi per token | circa 6,5 miliardi (128 esperti, 4 attivi) | Non divulgato |
| Architettura | Mixture-of-Experts (MoE) | Non divulgata pubblicamente |
| Finestra di contesto | 256.000 token (262.144 precisi) | 1.000.000 di token |
| Output massimo | fino a 33.000 token (varia per provider) | 131.000 token |
| Licenza | Apache 2.0, pesi aperti | Proprietaria, solo API |
| Self-hosting possibile | Sì | No |
| Multimodalità | Testo e immagini | Testo (multimodalità non confermata nelle fonti pubbliche) |
| Prezzo input (per 1M token) | 0,15 $ | 2,00 $ |
| Prezzo output (per 1M token) | 0,60 $ | 6,00 $ |
Il dato più netto è la finestra di contesto: Qwen3.8 Max gestisce documenti quattro volte più lunghi di Mistral Small 4, un vantaggio concreto per chi lavora con contratti, perizie tecniche o basi di codice estese. Mistral Small 4 recupera terreno sulla trasparenza architetturale: sappiamo esattamente quanti esperti attiva e quanti parametri muove per ogni token, un dettaglio che Alibaba non pubblica per Qwen3.8 Max.
Benchmark: ragionamento, coding e conoscenza generale
I punteggi qui sotto arrivano da tre fonti indipendenti: Requesty.ai, che pubblica i benchmark legati all’ID esatto del modello (mistral-small-2603 e fireworks/qwen3.8-max), Fireworks AI come provider ospitante di Qwen3.8 Max, e la classifica BenchLM aggiornata all’8 settembre 2026 per i modelli europei. Dove le fonti raccolte davano numeri discordanti, come nel caso di una recensione indipendente che attribuiva a Mistral Small 4 un GPQA Diamond al 71,2% contro il 38,1% riportato dalla pagina tecnica legata all’ID del modello, abbiamo scelto la cifra più conservativa e meglio documentata.
| Benchmark | Mistral Small 4 | Qwen3.8 Max |
|---|---|---|
| MMLU-Pro | 52,9% | Non pubblicato |
| GPQA Diamond | 38,1% | 92,7% |
| LiveCodeBench (coding) | 14,1% | Non pubblicato |
| Coding Index | Non pubblicato | 71,8% |
| SciCode | Non pubblicato | 53,2% |
| Punteggio generale BenchLM (modelli europei, 8 set. 2026) | circa 43 | Non incluso nella classifica europea |
Il divario su GPQA Diamond è il numero che salta all’occhio: 92,7% per Qwen3.8 Max contro 38,1% per Mistral Small 4, un gap di oltre 50 punti percentuali sul ragionamento scientifico di livello universitario. Va detto che Mistral AI, nel proprio annuncio ufficiale, sostiene che la variante con ragionamento attivo di Small 4 raggiunge risultati paragonabili o superiori a GPT-OSS 120B su tre benchmark interni, pur generando risposte più brevi. Non essendo numeri direttamente comparabili con quelli citati sopra, li riportiamo come dichiarazione del vendor e non come dato verificato da terze parti.
Sul fronte SWE-bench Verified e AIME, nessuna delle fonti raccolte pubblica un numero certificato per entrambi i modelli: le pagine di benchmark li elencano tra le categorie testate ma non riportano il punteggio esatto nello snippet consultabile. In un confronto tecnico corretto è meglio segnalare l’assenza del dato piuttosto che stimarlo.
Cosa significano questi numeri per chi deve scegliere un modello in pratica? Un punteggio GPQA Diamond alto come quello di Qwen3.8 Max indica una maggiore affidabilità su domande di ragionamento scientifico multi-step, il tipo di compito dove un modello deve incatenare più passaggi logici senza perdere il filo. Un punteggio più basso come quello misurato per Mistral Small 4 non significa che il modello sia inutilizzabile per compiti complessi, ma che tende a commettere più errori quando il ragionamento richiesto è lungo e articolato. Per attività più dirette, come riassumere un documento, estrarre dati strutturati o rispondere a domande su un singolo argomento, la differenza tra i due modelli si riduce sensibilmente rispetto a quanto suggerisce il divario sui benchmark di ragionamento puro.
Prezzi: quanto costa usare ciascun modello
Il prezzo è dove la distanza tra i due modelli si allarga di più. Mistral Small 4 costa 0,15 $ per milione di token in input e 0,60 $ in output, con un prezzo scontato di 0,015 $ per token in cache. Qwen3.8 Max costa 2 $ in input e 6 $ in output, con cache a 0,25 $. Su un carico di lavoro tipico, con un rapporto di tre token letti per ogni token generato, il costo blended di Mistral Small 4 si ferma a circa 0,26 $ per milione di token contro i 3 $ di Qwen3.8 Max: una differenza di circa 11,4 volte.
| Voce di costo | Mistral Small 4 | Qwen3.8 Max | Differenza |
|---|---|---|---|
| Input (per 1M token) | 0,15 $ | 2,00 $ | 13,3x più caro per Qwen |
| Output (per 1M token) | 0,60 $ | 6,00 $ | 10x più caro per Qwen |
| Cache input (per 1M token) | 0,015 $ | 0,25 $ | 16,7x più caro per Qwen |
| Costo blended (3 input : 1 output) | 0,26 $ | 3,00 $ | circa 11,4x più caro per Qwen |
| Self-hosting come alternativa | Disponibile (costo infrastruttura proprio) | Non disponibile | – |
Per Mistral Small 4 esiste anche una terza via, quella del self-hosting, che azzera il costo per token a fronte di un investimento fisso in infrastruttura. Per Qwen3.8 Max questa opzione non esiste: senza pesi pubblici, il costo per token resta l’unica leva su cui un’azienda può agire, per esempio ottimizzando i prompt o sfruttando la cache.
Per dare un’idea concreta: un’applicazione che elabora 50 milioni di token al mese, con il tipico rapporto di tre token letti per ogni token generato, costerebbe circa 13 dollari al mese via API con Mistral Small 4 e circa 150 dollari al mese con Qwen3.8 Max, usando il costo blended calcolato sopra. Su base annua la differenza supera i 1.600 dollari per un singolo carico di lavoro di medie dimensioni, una cifra che cresce linearmente con il volume di richieste e che per applicazioni enterprise con miliardi di token mensili diventa un fattore decisivo nella scelta del fornitore.
Licenza e conformità: pesi aperti contro API chiusa
La licenza Apache 2.0 di Mistral Small 4 permette uso commerciale, modifica e ridistribuzione senza restrizioni territoriali. Per un’azienda italiana o europea, questo significa poter scaricare i pesi del modello, eseguirlo su hardware di proprietà o su un cloud europeo, e mantenere l’intero flusso di dati all’interno dei confini UE. È lo scenario ideale per chi deve rispettare requisiti di data residency imposti da clienti pubblici o da normative di settore, oltre agli obblighi generali dell’AI Act sui modelli di fondazione.
Qwen3.8 Max segue un percorso diverso. Alibaba lo distribuisce come servizio API chiuso, senza rilascio dei pesi, accessibile tramite Alibaba Cloud o intermediari come Fireworks AI e OpenRouter. Questo significa che ogni richiesta lascia l’infrastruttura del cliente e passa attraverso server extra-UE, un dettaglio che alcune aziende regolamentate (banche, sanità, pubblica amministrazione) devono valutare con attenzione prima di integrarlo in un flusso di lavoro che tratta dati personali o sensibili.
Non è un giudizio di merito sulla qualità del modello, che anzi su alcuni benchmark di ragionamento resta superiore. È una questione di dove finiscono i dati e sotto quale giurisdizione. Per un team legal o compliance italiano, questa singola differenza pesa spesso più di qualunque punteggio su GPQA.
Gli obblighi dell’AI Act per i modelli GPAI
Dal 2 agosto 2026 sono pienamente applicabili gli obblighi di trasparenza dell’articolo 50 dell’AI Act per i cosiddetti modelli GPAI, general-purpose AI, categoria in cui rientrano sia Mistral Small 4 sia Qwen3.8 Max. Secondo la sintesi ufficiale dell’AI Act, tutti i fornitori di modelli GPAI devono predisporre una documentazione tecnica su addestramento, test e risultati di valutazione, fornire ai fornitori a valle le informazioni necessarie per capire capacità e limiti del modello, e pubblicare una sintesi dettagliata dei contenuti usati per l’addestramento, seguendo un modello fornito dalla Commissione Europea.
Questo obbligo, come chiarito dalla Commissione Europea, si applica anche ai modelli distribuiti con licenza open source o open-weight come Mistral Small 4, non solo a quelli chiusi come Qwen3.8 Max. La differenza pratica sta nella verificabilità: con un modello a pesi aperti, un’azienda europea può in teoria condurre un audit tecnico indipendente sul modello che sta usando, mentre con un modello chiuso deve fidarsi della documentazione pubblicata dal fornitore, in questo caso Alibaba Cloud, senza possibilità di ispezione diretta.
Per i sistemi generativi, l’articolo 50 impone anche di marcare gli output in un formato leggibile da macchina e di renderli riconoscibili come generati dall’intelligenza artificiale. Le aziende che avevano già sistemi sul mercato prima del 2 agosto 2026 hanno tempo fino al 2 dicembre 2026 per adeguarsi a questo specifico obbligo di marcatura. Il mancato rispetto degli obblighi di trasparenza può comportare sanzioni fino al 3% del fatturato mondiale annuo dell’azienda o 15 milioni di euro, a seconda di quale importo sia più alto.
Supporto multilingue: quante lingue capiscono davvero
Mistral Small 4 dichiara ufficialmente il supporto a 11 lingue core: inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, giapponese, coreano e arabo, secondo la documentazione tecnica raccolta sul modello. La capacità multilingue si estende però oltre queste 11 lingue: la pagina “Supported languages” di Mistral AI elenca un set molto più ampio di lingue supportate a livello di ecosistema, comprese lingue europee di seconda fascia come polacco, ceco, rumeno, svedese, danese e finlandese, oltre a lingue mediorientali, sudasiatiche e sudest-asiatiche. Per un’azienda italiana, il punto rilevante è che l’italiano rientra esplicitamente tra le 11 lingue core, non tra quelle di supporto secondario.
Per Qwen3.8 Max nessuna delle fonti raccolte pubblica un conteggio ufficiale delle lingue supportate. I modelli della famiglia Qwen sono storicamente costruiti con un forte focus su cinese e inglese, con supporto crescente per altre lingue asiatiche, ma senza un numero verificabile da citare per questa versione specifica. Chi lavora prevalentemente in italiano o in altre lingue europee ha quindi una garanzia esplicita solo dal lato Mistral.
Finestra di contesto e output massimo
Qwen3.8 Max gestisce fino a un milione di token in ingresso, quattro volte la finestra da 256.000 token di Mistral Small 4. In pratica, un milione di token corrisponde a circa 700.000-750.000 parole in italiano, sufficienti per analizzare in un colpo solo un intero fascicolo processuale o una codebase di medie dimensioni senza dover spezzare il documento in più chiamate.
Mistral Small 4 con 256.000 token resta comunque ampio per la maggior parte dei casi d’uso aziendali: un contratto di 200 pagine, un report finanziario trimestrale o una conversazione multi-turno molto lunga entrano senza problemi. La differenza si sente soprattutto quando il documento supera le 400-500 pagine o quando l’applicazione deve mantenere in memoria mesi di cronologia di chat senza troncamenti.
Sull’output massimo il divario si restringe: Qwen3.8 Max arriva a 131.000 token generabili in una singola risposta, mentre per Mistral Small 4 le fonti raccolte riportano valori differenti a seconda del provider, tra 8.000 e 33.000 token. Per generare documenti molto lunghi in output, Qwen3.8 Max offre oggi un margine più ampio.
Requisiti hardware per il self-hosting
Mistral non pubblica un requisito VRAM ufficiale per Small 4, quindi qualunque cifra va trattata come stima basata sulle pratiche di deployment comuni per modelli MoE di questa taglia. Con 119 miliardi di parametri totali, un deployment non quantizzato in FP16 richiederebbe centinaia di GB di memoria aggregata, fuori portata per la maggior parte delle aziende. Nella pratica, i team che eseguono modelli MoE simili in produzione ricorrono a quantizzazione a 4 o 8 bit e a sharding degli esperti su più GPU, portando il fabbisogno tipico nell’ordine di alcune decine di GB distribuiti su 2-4 acceleratori di fascia alta.
Per Qwen3.8 Max il discorso non si pone: non essendo un modello a pesi aperti, non esiste alcun requisito hardware da calcolare perché non può essere eseguito su infrastruttura propria. L’unica variabile di capacità da gestire è il rate limit imposto dal provider API scelto.
Questa differenza cambia radicalmente il tipo di competenza richiesta in azienda. Con Mistral Small 4 serve un team capace di gestire un cluster GPU, di monitorare la memoria e di aggiornare i pesi quando escono nuove versioni. Con Qwen3.8 Max basta gestire una chiave API e un budget di spesa, un carico operativo molto più leggero ma anche molto meno controllabile nel lungo periodo.
C’è anche un aspetto economico da considerare nella scelta tra self-hosting e API gestita. Comprare o affittare 2-4 GPU di fascia alta ha un costo iniziale e ricorrente che si giustifica solo con un volume di richieste sufficientemente alto: sotto una certa soglia di traffico, pagare per token tramite l’API ufficiale di Mistral resta più conveniente del self-hosting, anche restando sullo stesso modello aperto. Il punto di pareggio dipende dal volume mensile di token elaborati, dal costo dell’energia e dal prezzo dell’hardware GPU disponibile in un dato momento, tutti fattori che vanno calcolati caso per caso prima di investire in un cluster dedicato.
Ecosistema, strumenti e fine-tuning
Essendo a pesi aperti, Mistral Small 4 è compatibile con l’intero ecosistema di strumenti costruito attorno ai modelli open-weight: Hugging Face Transformers, vLLM per il serving ad alte prestazioni, framework di fine-tuning come LoRA e QLoRA, e le pipeline di quantizzazione più diffuse. Un team può prendere i pesi pubblicati da Mistral AI, adattarli con dati proprietari e ridistribuire il modello risultante, sempre nei limiti della licenza Apache 2.0.
Qwen3.8 Max, come modello chiuso, limita le opzioni di personalizzazione a ciò che il provider mette a disposizione: prompt di sistema, few-shot examples, e in alcuni casi fine-tuning gestito lato Alibaba Cloud su un sottoinsieme di parametri. Non è possibile ispezionare i pesi, modificare l’architettura o eseguire un audit indipendente del modello, un limite che pesa soprattutto per applicazioni regolamentate dove serve dimostrare in modo verificabile cosa fa il sistema.
Sul fronte agentico, entrambi i modelli sono pensati per l’uso con tool calling e orchestrazione di agenti, ma solo Mistral Small 4 permette di ispezionare e modificare il comportamento a livello di pesi, un vantaggio concreto per chi costruisce agenti specializzati su domini verticali come diritto, sanità o finanza.
C’è anche una differenza pratica nella velocità con cui un team può iterare. Con Mistral Small 4, un data scientist può scaricare i pesi, applicare un adattatore LoRA su un dataset interno e testare il risultato in un ambiente isolato nel giro di ore, senza dover coinvolgere un provider esterno. Con Qwen3.8 Max, ogni iterazione passa necessariamente attraverso l’infrastruttura di Alibaba Cloud o del provider intermediario scelto, il che introduce una dipendenza organizzativa in più: se il provider cambia i prezzi, aggiorna il modello o interrompe il servizio, il team che lo utilizza non ha alcuna leva di controllo diretta sul comportamento del sistema.
Cinque casi d’uso reali
I benchmark e le tabelle di prezzo aiutano a inquadrare il confronto, ma la decisione reale si prende quasi sempre guardando a un caso d’uso specifico. Ecco sei scenari concreti che aiutano a capire quale modello si adatta meglio a un contesto aziendale reale, dalla startup al centro di ricerca fino alla pubblica amministrazione.
- Startup fintech italiana con obbligo di data residency UE. Deve dimostrare a un regolatore che i dati dei clienti non lasciano l’Unione Europea. Mistral Small 4, self-ospitato su un cloud europeo, è l’unica opzione compatibile senza deroghe.
- Studio legale che analizza fascicoli da 800-1000 pagine. La finestra da un milione di token di Qwen3.8 Max evita di dover spezzare gli atti in più chiamate, riducendo il rischio di perdere contesto tra un frammento e l’altro.
- Software house che automatizza il triage di migliaia di issue GitHub al giorno. Con un costo blended di 11,4 volte inferiore, Mistral Small 4 rende sostenibile un volume di chiamate che con Qwen3.8 Max farebbe lievitare la bolletta API.
- Centro di ricerca che lavora su problemi scientifici complessi. Il punteggio GPQA Diamond del 92,7% rende Qwen3.8 Max la scelta più solida quando la priorità assoluta è la qualità del ragionamento, indipendentemente dal costo.
- Pubblica amministrazione italiana che deve rispettare la direttiva NIS2 e l’AI Act. L’assenza di pesi scaricabili e la sede extra-UE di Alibaba Cloud rendono Qwen3.8 Max una scelta rischiosa per applicazioni che trattano dati dei cittadini. Mistral Small 4, con licenza aperta e sede in Francia, riduce il perimetro di rischio normativo.
- Editore multilingue che pubblica contenuti in italiano, francese e tedesco. Con l’italiano incluso esplicitamente tra le 11 lingue core dichiarate da Mistral AI, Mistral Small 4 offre una garanzia documentata che Qwen3.8 Max, privo di un conteggio ufficiale delle lingue supportate, non fornisce con la stessa chiarezza.
In sintesi: quando il vincolo principale è normativo, linguistico o economico, Mistral Small 4 vince quasi sempre. Quando il vincolo principale è la qualità del ragionamento su compiti molto complessi o la lunghezza dei documenti da processare, Qwen3.8 Max resta la scelta più difendibile, a patto di accettare il costo più alto e l’assenza di controllo sui pesi del modello.
Guida alla migrazione tra i due modelli
Chi deve spostare un’applicazione esistente da un modello all’altro può seguire questi passaggi.
- Verifica la lunghezza media dei prompt in produzione: se superano i 256.000 token, il passaggio da Qwen3.8 Max a Mistral Small 4 richiede una strategia di chunking del documento.
- Esegui un set di test di regressione sui compiti di ragionamento più critici, dato il divario di oltre 50 punti su GPQA Diamond tra i due modelli.
- Ricalcola il budget mensile con il costo blended reale del traffico, non solo con il prezzo per token nominale.
- Se la scelta è passare a Mistral Small 4, valuta fin da subito se conviene l’API gestita o il self-hosting, in base al volume di richieste previsto nei prossimi 12 mesi.
- Aggiorna i prompt di sistema: Mistral Small 4 tende a generare output più brevi e diretti rispetto a Qwen3.8 Max, quindi i prompt troppo verbosi vanno accorciati.
- Documenta il cambio di provider per gli obblighi di trasparenza dell’AI Act, specificando la nuova origine del modello e la localizzazione dei dati.
La maggior parte dei provider espone entrambi i modelli con API compatibili con lo standard OpenAI, il che semplifica il cambio a livello di codice. Un esempio minimo di chiamata verso i due endpoint, tramite un router come OpenRouter, cambia solo nel campo model:
curl https://openrouter.ai/api/v1/chat/completions \
-H "Authorization: Bearer $API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mistralai/mistral-small-2603",
"messages": [{"role": "user", "content": "Riassumi questo contratto in 5 punti"}]
}'
curl https://openrouter.ai/api/v1/chat/completions \
-H "Authorization: Bearer $API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen/qwen3.8-max",
"messages": [{"role": "user", "content": "Riassumi questo contratto in 5 punti"}]
}'La parte più delicata della migrazione non è tecnica ma organizzativa: riqualificare il team che gestisce l’infrastruttura, se si passa al self-hosting, o rinegoziare i contratti di fornitura dati, se si passa a un provider extra-UE.
Pro e contro di Mistral Small 4
Riassumendo i punti già trattati, ecco un bilancio sintetico dei vantaggi e dei limiti di Mistral Small 4 per chi deve prendere una decisione di acquisto o di adozione tecnica.
Pro:
- Licenza Apache 2.0 a pesi aperti, self-hostabile senza restrizioni commerciali
- Sede in Francia, dati facilmente mantenibili in territorio UE
- Costo blended per token circa 11,4 volte inferiore a Qwen3.8 Max
- Compatibile con l’intero ecosistema di fine-tuning open-weight
- Multimodale (testo e immagini)
Contro:
- Punteggio GPQA Diamond nettamente inferiore (38,1% contro 92,7%)
- Finestra di contesto quattro volte più piccola
- Il self-hosting richiede competenze infrastrutturali interne
- VRAM necessaria non pubblicata ufficialmente da Mistral AI
Pro e contro di Qwen3.8 Max
Specularmente, ecco il bilancio per Qwen3.8 Max, utile soprattutto a chi valuta il modello per compiti di ragionamento avanzato dove il costo è un fattore secondario.
Pro:
- Punteggio GPQA Diamond tra i più alti misurati nel 2026 (92,7%)
- Finestra di contesto da un milione di token
- Output massimo fino a 131.000 token per singola risposta
- Nessuna infrastruttura da gestire, solo integrazione API
Contro:
- Costo per token da 10 a 16,7 volte superiore a Mistral Small 4
- Nessun self-hosting possibile, dipendenza totale dal provider
- Dati processati fuori dall’Unione Europea
- Parametri totali non divulgati, minore trasparenza tecnica
Verdetto: quale modello scegliere
I dati raccolti raccontano due modelli costruiti per obiettivi diversi, non due candidati allo stesso trono. Mistral Small 4 vince su costo (11,4 volte più economico sul carico blended), su conformità normativa europea e su flessibilità grazie ai pesi aperti. Qwen3.8 Max vince nettamente su ragionamento puro, con un GPQA Diamond superiore di oltre 50 punti percentuali, e su capacità di contesto, con una finestra quattro volte più ampia.
Per un’azienda italiana o europea che deve rispettare l’AI Act, mantenere i dati in UE o tenere sotto controllo un budget API su larga scala, Mistral Small 4 resta la scelta più sicura e sostenibile nel tempo. Per un team che lavora su problemi di ragionamento scientifico o tecnico molto complessi, o che deve processare documenti eccezionalmente lunghi senza spezzarli, Qwen3.8 Max offre prestazioni che Mistral Small 4, allo stato attuale, non eguaglia.
C’è anche una terza strada, più pragmatica, che molti team stanno già adottando: usare entrambi i modelli in parallelo, instradando le richieste in base al tipo di compito. Un router applicativo può inviare le query di ragionamento complesso o i documenti molto lunghi a Qwen3.8 Max, mantenendo su Mistral Small 4 tutto il traffico ad alto volume e a basso rischio normativo, come riassunti, classificazione di ticket o generazione di bozze. Questa architettura ibrida richiede più lavoro di integrazione iniziale, ma permette di ottimizzare contemporaneamente costo, qualità e conformità invece di dover scegliere un solo compromesso per l’intera applicazione.
Non esiste quindi un vincitore assoluto. Esiste un modello più adatto al contesto normativo ed economico europeo, e uno più adatto a chi cerca il punteggio di ragionamento più alto disponibile oggi sul mercato, a prescindere da dove i dati vengono elaborati. La decisione finale dipende da quale di questi due vincoli, il costo e la conformità da un lato, la qualità del ragionamento dall’altro, pesa di più nel progetto specifico che stai valutando.
Come sono stati verificati questi dati
Ogni numero riportato in questo confronto arriva da una fonte tecnica pubblica e verificabile. Le specifiche di Mistral Small 4, licenza, parametri, finestra di contesto e prezzi, provengono dalla pagina ufficiale dei prezzi di Mistral AI e dalla documentazione tecnica del modello. I benchmark di entrambi i modelli sono stati incrociati tra la pagina di Requesty.ai dedicata a Mistral Small 4 e quella dedicata a Qwen3.8 Max su Fireworks AI, entrambe legate all’ID esatto del modello e non a una versione generica della famiglia.
Dove le fonti raccolte si contraddicevano, come nel caso dei punteggi di ragionamento di Mistral Small 4, abbiamo scelto la cifra più bassa e meglio documentata, coerentemente con un criterio di prudenza editoriale: meglio sottostimare le prestazioni di un modello che sovrastimarle sulla base di una fonte meno affidabile. Dove un dato non era disponibile in nessuna fonte consultata, come il conteggio dei parametri di Qwen3.8 Max o i punteggi SWE-bench e AIME di entrambi i modelli, lo abbiamo segnalato esplicitamente come “non pubblicato” invece di stimarlo.
Domande frequenti
Mistral Small 4 è gratuito da usare?
No. È a pesi aperti, quindi puoi scaricarlo ed eseguirlo gratuitamente sul tuo hardware, ma tramite l’API ufficiale di Mistral AI costa 0,15 $ per milione di token in input e 0,60 $ in output.
Qwen3.8 Max è un modello open source?
No. Alibaba lo distribuisce solo come servizio API a pagamento, senza rilasciare i pesi del modello, quindi non è né open source né open-weight.
Quale modello conviene per un progetto con budget limitato?
Mistral Small 4, con un costo blended per token circa 11,4 volte inferiore a Qwen3.8 Max, ed eventualmente il self-hosting per volumi molto alti.
Posso eseguire Qwen3.8 Max sui miei server?
No, non essendo distribuito a pesi aperti. L’unico modo per usarlo è tramite l’API di Alibaba Cloud o di provider terzi come Fireworks AI.
Quale dei due modelli è più adatto alla conformità con l’AI Act europeo?
Mistral Small 4, grazie alla licenza Apache 2.0, alla sede in Francia e alla possibilità di mantenere l’elaborazione dei dati interamente in UE tramite self-hosting.
Qual è la reale differenza di contesto tra i due modelli?
Qwen3.8 Max gestisce fino a un milione di token, quattro volte la finestra da 256.000 token di Mistral Small 4.
Quale modello ha il punteggio di ragionamento più alto?
Qwen3.8 Max, con un GPQA Diamond del 92,7% contro il 38,1% di Mistral Small 4 secondo le fonti tecniche legate all’ID esatto del modello.
Conviene fare fine-tuning su uno dei due modelli?
Solo Mistral Small 4 lo permette in modo completo, grazie ai pesi aperti compatibili con framework come LoRA e QLoRA. Su Qwen3.8 Max la personalizzazione resta limitata a ciò che il provider mette a disposizione lato API.
Quali obblighi impone l’AI Act ai fornitori di questi modelli?
Entrambi, in quanto modelli GPAI, devono predisporre documentazione tecnica sull’addestramento, fornire informazioni ai fornitori a valle e pubblicare una sintesi dei contenuti di addestramento secondo il modello della Commissione Europea. Dal 2 agosto 2026 si applicano anche gli obblighi di marcatura degli output generativi previsti dall’articolo 50.
Quante lingue supporta ufficialmente ciascun modello?
Mistral Small 4 dichiara 11 lingue core, tra cui l’italiano, con una capacità multilingue estesa a oltre 30 lingue a livello di ecosistema Mistral. Per Qwen3.8 Max non è disponibile un conteggio ufficiale delle lingue supportate nelle fonti consultate.
