Mistral 开放万亿参数模型 Large 4 权重

Mistral 放出了 Large 4「Le Chonk」的权重。它在部分编程榜单上逼近中国开放权重模型，生成速度更快，API 也降了价。但把综合能力、安全修复成本和部署条件一起看，它还称不上全面领先。

对程序员而言，这篇报道值得读的地方，是把「编程领先」「便宜」「可自部署」拆开检验：三个标签各有依据，也各有限定条件。选模型时，真正该比较的是完成同一类任务要花多少钱、等多久，以及能否稳定交付。

编程成绩上来了，但领先范围要看清

Large 4 接受文本和图片输入，输出文本和代码，总参数约 1 万亿，每步激活 520 亿。公开预览三周后，Mistral 发布了权重，并称这段时间继续进行了强化学习，编程和网络防御能力都有提升。

他们团队的做法是自己构造任务，再逐渐提高难度，同时验证结果。研究人员把性能上限归结为团队还能设计、验证多难的任务，并称这是持续两年的投入。这个解释有启发性，但报道没有提供训练消融实验，无法单独确认任务设计贡献了多少收益。

编程成绩确实明显上涨。Terminal-Bench 4.0 从 28% 升至 41%，略高于 GLM-5.3 的 40%。据 Mistral 披露，Large 4 在 Artificial Analysis 的 Coding Agent Index 上达到 48%，与 GLM-5.3 基本持平，消耗的 token 却少了 47%。榜首 Claude Code 搭配 Claude Opus 5.5 得到 62 分。

更难的任务仍然拉开了差距。Cognition 的 FrontierCode 2.0 上，Large 4 以 19.7% 领跑开放模型，Claude Opus 5.5 则达到 46%。Surge 的盲测中，它面对 GLM-5.3、Kimi K3 和 DeepSeek 时赢多输少，面对 Opus 5.5 的胜率只有 22%。

图中 Claude Code 系列占据能力高位，Large 4 和 GPT-6.1 Terra 则处在较有吸引力的性价比区域，效率边界覆盖了受测的 30 个模型。

这里还有一个时间条件：Mistral 的比较没有纳入 Kimi K3.1 Pro，因为它尚未公开权重。按原文计划，权重将于 2026 年 11 月 4 日发布，而其 Terminal-Bench 4.0 已达 67%。因此，Large 4 的领先依赖比较对象和权重公开状态。

安全请求拒绝得多，不代表修漏洞最强

Mistral 宣称 Large 4 是网络防御最强的开放模型，但自己的图表并不支持这个排名。

Artificial Analysis 的 Cyber Index 衡量模型能否在代码仓库中发现、复现并修复漏洞，同时保住原有功能。Large 4 得到 51%，低于 DeepSeek V4.1 Flash 的 57% 和 MiMo-V2.6-Pro 的 56%，在开放模型中排第三，仅略高于 GLM-5.3 Flash 的 50%。整个榜单由 Kimi K3.1 Pro 以 64% 领先。

额外三周训练在这项测试上只增加了 1 分，预览版为 50 分。Large 4（high）每任务成本为 1.21 美元，图中的 DeepSeek V4.1 Flash 1017 得分更高、成本更低。

另一项数字则来自 Mistral 自述：模型平均拒绝 96.6% 的恶意网络请求，超过其他开放模型。拒绝有害请求和修好真实漏洞，是两种需要分别评估的能力。 原文没有交代这项拒绝率测试中，合法防御任务被误拒的比例。

Mistral 也承认模型可能降低真实攻击的门槛，计划继续收紧防护。Orange Cyberdefense 等合作伙伴已测试用于渗透测试的特殊版本，访问需要审核并受合同限制，不能把它视为公开版本的默认能力。

速度和费用更有吸引力，综合能力仍有差距

Artificial Analysis 的 Intelligence Index 第 5 版包含 9 项测试，其中五分之三依赖任务或答案未公开的测试，也纳入了 Terminal-Bench 4.0 和 FrontierCode 2.0。

Large 4 最终版在 high 模式下得到 26 分，预览版为 25 分。它超过同规模开放模型 23 分的中位数，但落后于同为 32 分的 DeepSeek V4.1 Flash、GLM-5.3，以及 30 分的 MiMo-V2.6-Pro。旧版指数中，预览版与 GLM-5.3 分别为 38 分和 45 分；新旧指数口径不同，不能直接比较分数涨跌。

榜首 Gemini 4 Carbon 得到 59 分，比 Claude Opus 5.5 高 1 分，但当时只向部分网络安全合作伙伴开放。报道将 46 分的 Kimi K3.1 Pro 列为开放模型最高分，同时注明其权重尚未发布。读榜单时，可访问性也必须一起看。

Large 4 更明确的进步发生在速度和费用上：

• 生成速度从每秒 111 tokens 提高到 161 tokens，在该机构的横向比较中，仅 DeepSeek V4.1 Flash 和 Muse Wonder 更快。
• 综合指数的平均任务成本从 5.54 美元降至 2.06 美元，低于 GLM-5.3 的 5.01 美元和 Kimi K3.1 Pro 的 3.68 美元，但高于 DeepSeek 的 0.60 美元和 MiMo 的 0.26 美元。
• 完整指数测试的输出量从 1.5 亿 tokens 降至 1.1 亿，仍略高于同类模型 1 亿的中位数。

API 现价为每百万输入 tokens 0.70 美元、输出 2.10 美元。预览期标价分别为 1.36、4.18 美元，发布初期曾优惠两周至 0.68、2.09 美元，因此现价基本相当于当时的折扣。Kimi K3.1 Pro 则为输入 2 美元、输出 10 美元。

每 token 单价、输出长度和任务成功率会共同影响费用。只看价目表，解释不了为什么某个模型完成任务反而更贵。

自部署是卖点，但硬件和许可都有限定

权重可下载，不等于普通团队能轻松运行。按 SGLang 文档，标准版本需要 8 张 Nvidia B300，更高压缩版本需要 4 张 GB300。520 亿激活参数描述的是每步参与计算的规模，不能据此忽略整个模型的存储和部署负担。

许可也需要单独读。Large 4 采用修改版 MIT 许可，允许免费使用、修改和商业部署；如果将它作为商业云服务提供，则需要另向 Mistral 获取许可。不能直接套用标准 MIT 的理解。

Mistral 主打的是「主权 AI」：模型完全在欧洲训练，也能部署到自有服务器；不自行托管的用户可通过 Microsoft Foundry 等平台访问。对需要控制部署位置的团队，这有实际价值，但原文没有提供自建成本或与 API 的费用对照。

我的判断

我认可 Large 4 作为编程候选模型的价值：部分任务成绩接近强劲对手，速度提升，输出消耗下降。这些比笼统的「能力增强」更有参考意义。

但「开放模型编程领先」需要附上榜单、日期和参赛范围；「网络防御领先」则与报道中的排名不符。相比追求复杂任务成功率的 Claude Opus 5.5，Large 4 更值得验证的是速度与费用的平衡；相比 DeepSeek、MiMo，它又没有普遍的成本优势。

Mistral 称自己的资源仅为中美实验室的一小部分，多十倍资本就能登顶。这是团队判断，缺少可验证的对照数据。办公能力方面，编辑财务表格和网页搜索仅次于 Kimi K3 的说法也来自公司自述，报道没有展开独立验证。

能拿来做什么

• 为日常 AI 编程选型时，可以把 Large 4 加入候选，用同一批真实仓库任务比较修复成功率、完成时间和总账单，尤其观察少用 token 是否仍能交付完整修改。
• 做漏洞修复评估时，应同时检查漏洞能否复现、补丁是否有效、原有功能是否通过回归验证，并单独记录合法任务被拒绝的情况。
• 需要自有服务器部署的团队，可以先核对 SGLang 的硬件要求和修改版 MIT 条款；计划对外提供商业云服务时，应把额外许可纳入方案。
• 跟踪编程榜单时，应保存评测版本和权重公开状态，特别留意 Kimi K3.1 Pro 的开放进度，避免把某一天的领先当成长久结论。