Mistral 發佈 1 萬億參數的 Large 4 模型開放權重

Mistral 已發布 Mistral Large 4 的權重。這款 1 萬億參數模型是該公司三週前預覽的版本，而現時在 Hugging Face 上提供的版本表現明顯更強。

這家總部位於巴黎的公司表示，在客戶意見指引下，額外進行三週強化學習，令 ML4 成為在代理式編碼和網絡防禦方面最強的開放模型。

這款模型的綽號是「Le Chonk」，可讀取文字和圖片，並生成文字和程式碼；每項任務會啟用 520 億個參數。Mistral 亦會發布量化版本，可在四張 Nvidia B200 或 B300 GPU 上運行。

編碼能力的提升最容易看出。在 Terminal-Bench 4.0（測試在終端機環境進行的代理式編碼）中，ML4 的得分由預覽版的 28% 升至 41%，略高於得分為 40% 的 GLM-5.3。

在 Artificial Analysis 的 Coding Agent Index 中，ML4 的表現媲美 GLM-5.3，平均每項任務使用的 tokens 少 47%；當編碼 Agent 持續運行數小時，這項節省會逐步累積。

在網絡防禦方面，ML4 在 CyberGym-E2E 中得分 79%。這項測試評估模型能否在開源 C 和 C++ 專案中找出、重現並修補真實的記憶體安全漏洞；ML4 的得分與 MiMo-V2.6-Pro 相同，並高於得分為 76% 的 DeepSeek V4.1 Flash。

Mistral 僅稱早期測試者為政府及企業；他們希望能更靈活地控制模型的思考時間。

為此，該公司在高推理模式以外加入低和中推理模式，並令高推理模式的效率提升 50%。部分客戶已使用 ML4 進行自動化滲透測試，運行專門的 Agent 探測自家應用程式的入侵途徑，並記錄發現。

Mistral 科學副總裁 Pierre Stock 將開放發布形容為確保延續性的問題。

「人工智能將會像電力一樣，」他説，任何公司都不應依賴一個可以「在一日之間」切斷其使用權的人。

他認為，權重在網上流傳後，便無法撤回；不過，競爭對手認為開放模型 帶來更大風險。

他亦以同一套邏輯談及主導開放模型領域的中國實驗室。他説，沒有人能保證這些實驗室會繼續發布權重；其模型的透明度較低，亦可能被用作攻擊途徑。

另一方面，Mistral 開發 ML4 所用的資源，僅為封閉模型實驗室及中國競爭對手可用資源的一小部分；由於中國實驗室幾乎沒有披露訓練成本，這項説法難以驗證。事實上，其他競爭對手的融資額和估值都更高，卻沒有公司能以如此有限的資源達到這個水平。

Mistral 亦強調效率。ML4 在歐洲使用 3,800 張 Nvidia Grace Blackwell GPU 訓練，而強化學習則使用該公司在法國的自有運算資源，耗電約 10 兆瓦。

「其他實驗室為開發同等能力已籌集數千億美元；Mistral 在三年間籌集約 60 億美元，」公司行政總裁 Arthur Mensch 説。

較小型的蒸餾版本將於未來數月推出，包括一款可在手提電腦上運行的版本，但 Mistral 未有承諾推出日期。ML4 的 API 定價尚未公佈，而 Stock 認為，當模型每項工作所需的 token 大幅減少時，按 token 計價會造成誤導。

ML4 已可在 Hugging Face 使用，亦可透過 Mistral 的 API 取得，部分 Vibe 用戶亦可使用。接下來的考驗更艱鉅：Stock 希望 Mistral 不只一度達到前沿水平，更要「創造前沿的節奏。」