Mistral Large 4 开放权重与推理档位

Mistral Large 4 开放了权重，但商业使用仍有边界：企业若把它作为 Model-as-a-Service 对外提供，需要另签商业许可。对准备接入 AI 编程能力的团队，更值得看的是推理档位、token 消耗和实际部署成本。

按 Mistral 公布的数据，正式版在编程、终端任务和安全测试上都有进展。不过，原文没有独立验证，也没给自托管硬件要求。这些成绩适合用来筛选候选模型，还不足以直接决定替换现有方案。

Large 4 能做什么，推理档位怎么选

Mistral Large 4 的昵称是 Le Chonk，拥有 1 万亿参数，采用混合专家架构（MoE），支持原生多模态输入。它结合了指令遵循与推理能力，官方称可流畅使用超过 160 种语言。

Mistral 表示，模型从零开始在欧洲基础设施上训练，月内完成公开预览后，又进行了约三周强化学习。这里的训练地点是官方披露的信息，不能直接推导出模型能力更强。

使用层面最直接的变化是三个档位：

• Low 面向简单任务，替代此前的「None」设置。
• Medium 面向日常工作。
• High 是默认档位，面向需要高精度的复杂任务。

团队因此多了一个调节回答质量和 token 支出的入口。不过，原文没有给出三个档位的逐项成绩、延迟或费用对照，不能据此认定 Medium 就是最划算的选择。

编程成绩之外，更该看 token 消耗

以下数字都来自 Mistral 的结果展示，包括它引用的第三方基准，并非原文作者独立复测。

编程方面，Large 4 在 Cognition 的私有测试 FrontierCode 2.0 上得分为 19.7%；在 Artificial Analysis Coding Agent Index 上得分为 48%，与 GLM-5.3 大致相当，平均每项任务少用 47% 的 token。

终端任务方面，Terminal-Bench 4.0 得分为 41%，比预览版提高 13 个百分点，输出 token 减少 30%。对依赖多轮工具调用的编程 Agent，这组数据值得关注：只比较成功率，会漏掉完成同一任务所需的生成开销。但更少的 token 是否带来更短耗时，原文没有说明。

其他任务上，BrowseComp 得分为 84.5%，金融工作流测试 Finch 为 73.3%。Mistral 称后者在开放模型中仅次于 Kimi K3，不能把这一特定测试的排名扩展成综合能力排名。

安全数据也要拆开看。Artificial Analysis Cyber Index 得分为 51%，衡量的是相关任务能力；恶意网络请求平均拒绝率为 96.6%，涉及安全边界；B3 Agent Security Benchmark 的攻击抵抗率为 97.1%，高于预览版的 93.3%。

高拒绝率并没有消除全部风险。Mistral 表示，预览后的真实流量显示模型可能帮助提升实际攻击能力，因此正在调整防护措施。专门的网络安全变体只向经过审核的企业设计合作伙伴提供，并附带合同保障。

权重能下载，许可和部署仍要分别算账

权重采用 Mistral Ecosystem Open-Weight license，属于修改版 MIT 许可，允许使用、修改、微调和商业化。限制在于：运营 Model-as-a-Service 业务的企业，需要另行取得 Mistral 商业许可。

开放权重不等于可以照搬标准 MIT 许可的理解。

API 价格按每百万 token 计算：输入 $0.70，缓存输入 $0.07，输出 $2.10。缓存价更低，但原文没解释缓存命中条件，不能把所有输入都按缓存价格估算。

接入入口包括 Mistral Studio、Mistral API 和 OpenRouter。权重在 Hugging Face，可通过 vLLM 或 SGLang 部署；Microsoft Foundry 提供托管版本及面向 Azure 开发者的私有部署选项；NVIDIA 提供托管端点和 NIM 容器。使用专有数据定制模型的路径则是 Mistral Forge。

这些是可选路径，不是自托管成本说明。原文没有显存、硬件配置或吞吐要求，1 万亿参数的权重可下载，并不足以证明普通团队能经济地运行它。

我的判断

我认为它值得进入团队的候选模型列表，尤其是编程成绩接近 GLM-5.3、同时减少 token 消耗这一点。但原文没有展示完整测试配置，也没有独立验证，暂时无法判断这种优势能否迁移到你的代码库和 Agent 流程。

与直接通过 API 接入相比，自托管提供了另一种部署选择，却增加了硬件和运维方面的未知项。当前材料不足以证明哪条路线更便宜。若计划对外提供模型服务，许可条款还会直接影响商业方案，不能只看 API 单价或权重是否公开。

能拿来做什么

• 从现有前端或 Node 仓库挑选可验收的修复任务，对比 Large 4 与当前模型的完成质量、总 token 和实际费用。
• 对同一组任务分别测试 Low、Medium、High，记录返工次数，再决定日常默认档位。
• 初次评估可先用 API 验证效果；考虑自托管时，再补齐 vLLM 或 SGLang 的硬件、吞吐和运维测算。
• 如果产品要对外提供模型调用服务，先核对 Model-as-a-Service 条款，并向 Mistral 确认具体业务是否需要商业许可。