Mistral AI 公布万亿参数 Mistral Large 4 权重

安全团队和受监管的企业现在可以下载一个前沿规模的模型，把敏感代码、日志和事件数据留在自己的基础设施里。这样它们就多了一个选择，不必只依赖 OpenAI 和 Anthropic 的托管模型，毕竟服务商随时可能改变访问权限。独立评测的结果目前还不清楚，长上下文准确率和运行万亿参数模型的真实成本同样未知。

Mistral AI 开放权重

Mistral AI 把权重放上了 Hugging Face，同时通过自己的 API 提供同一个模型。

Mistral AI 给它起的名字是 Le Chonk。这个模型原生支持多模态，输入可以是文本和图像。Mistral Large 4 总参数约 1万亿。每次请求只调用其中一部分：据两家媒体报道，在混合专家架构下大约有 520亿活跃参数。第三份报道给出的活跃参数约为 490亿，总参数约 10500亿。正是这种稀疏设计，才让这个规模的模型能够真正跑起来，因为并非每个 token 都会激活整个网络。

安全团队为何关注

Mistral AI 把这次发布对准了安全工作。这类工作包括发现漏洞、在沙箱中复现漏洞，以及在不破坏功能的前提下修补代码。

Mistral AI 科学副总裁 Pierre Stock 认为，可下载的权重能防止厂商关掉访问。他对记者说：「一旦你把权重开源，它们就会传遍整个互联网，想切断访问是不可能的。」他还说，「你不想生活在一个邻居随时可能给你断电的世界里」。公司称该模型在 Artificial Analysis Cyber Index 上得分 51%，在被测试的恶意网络安全请求上拒答率为 96.6%。

双用途是最明显的反对理由。Sophos 威胁情报高级总监 Rafe Pilling 称它「显然是一项双用途技术」。他说，任何可以下载、不受限制的东西，既能用于生产目的，也可能被滥用。

基准测试成绩

大部分性能数字来自 Mistral AI 自己。

公司称该模型在 Artificial Analysis Coding Agent Index 上得分 48%，每个任务平均比 GLM-5.3 少用 47% 的 token。TechRepublic 报道说 48% 与 GLM-5.3 持平；lavx.hu 则把 GLM-5.3 排在前面一位，为 49。在 Terminal-Bench 4.0 上，Mistral AI 报告 41%，预览时为 28%，提升了 13 个百分点。公司还报告在 Finch 金融工作流上得分 73.3%，在 BrowseComp 上得分 84.5%。

在 B3 Agent Security Benchmark 上的抗攻击能力从预览时的 93.3% 升到 97.1%。这些数字由公司提供。

运行成本

仅量化后的检查点就有 606GB。因此全精度部署需要大量 GPU 资源。许可证是修改过的 MIT 许可证，允许免费使用、修改、微调和商业化。把模型作为服务对外提供的企业需要单独的商用许可证。对于更愿意租用的团队，API 价格为每 100万输入 token 0.70 美元，缓存输入 0.07 美元，输出 2.10 美元。

Mistral AI 用 Nvidia GB200 GPU 训练这个模型，用的是自家的欧洲数据中心。一种说法是 3840 块 GPU 跑了 45 天，约 415万 GPU 小时；lavx.hu 报道的则是约 4000 块 GPU 跑两个月。自己托管模型的组织仍然需要技术能力，也需要安全流程来运行和监控。shattered.io 指出，Mistral AI 还没有公布 100万 token 窗口的长上下文准确率曲线。

开源权重之争

更直接的竞争来自中国的开源权重模型。

CEO Arthur Mensch 把 AI 描述为「赋能的工具，而非支配的工具」。

公司表示，企业和政府将获得「可以完全拥有和控制的前沿 AI 网络防御能力」。尚未确定的是，这些基准领先在测试环境之外是否还站得住。全精度部署在硬件上到底要花多少钱，也还不清楚。