Mistral Large 4 เทียบกับ Claude Fable 5.1: สิบเจ็ดคะแนนดัชนี และราคาเอาต์พุตที่สูงกว่าสิบสองเท่า

คำถามในการเปรียบเทียบครั้งนี้เปลี่ยนไปเมื่อวันที่ 29 ตุลาคม 2026 และไม่ใช่เพราะ Mistral Large 4 ฉลาดขึ้น ในบ่ายวันนั้น โมเดลนี้เลิกเป็นพรีวิวแบบเช่าและกลายเป็นการดาวน์โหลดขนาด 1.06 TB ซึ่งหมายความว่าการเปรียบเทียบกับ Claude Fable 5.1 ไม่ได้เป็นเพียงเรื่องของโมเดลไหนตอบได้ดีกว่าเท่านั้น แต่ยังเป็นเรื่องของข้อจำกัดแบบไหนที่คุณอยู่ด้วยได้ด้วย Claude Fable 5.1 เป็นโมเดลที่คิดค่าอินพุต 10 ดอลลาร์ต่อล้าน ซึ่งคุณเรียกใช้ผ่าน API ได้ แต่ไม่มีทางเป็นเจ้าของ ปรับแต่งแบบ fine-tune หรือรันบนฮาร์ดแวร์ของคุณเองได้ ส่วน Mistral Large 4 คือ mixture of experts ระดับล้านล้านพารามิเตอร์ที่ตอนนี้คุณเป็นเจ้าของ ปรับใช้ และติดตั้งใช้งานภายในเครือข่ายของคุณเองได้ ภายใต้สัญญาอนุญาตที่ห้ามขายต่อในรูปแบบบริการอย่างชัดเจน ตัวหนึ่งคือสัญญา อีกตัวคือไฟล์ดาวน์โหลดที่แนบข้อกำหนดมาด้วย

ในด้านความสามารถ คำตอบไม่ได้ใกล้กันเลย และควรพูดเรื่องนี้ก่อนที่การหารือเรื่องราคาจะเริ่มขึ้น ดัชนี Intelligence Index v5 ของ Artificial Analysis ให้ Claude Fable 5.1 อยู่ที่ 43 และ Mistral Large 4 อยู่ที่ 26 นั่นคือช่องว่าง 17 จุดบนเครื่องมือวัดเดียวกัน และยังคงอยู่แม้จะมีข้อแม้ที่สมเหตุสมผลทุกประการเกี่ยวกับเวอร์ชันของดัชนี เพราะตัวเลขทั้งสองเป็นค่าที่อ่านจาก v5 — ของ Fable 5.1 มาจากกระดานผู้นำแบบสด ส่วนของ Large 4 มาจากตัวเลขที่ Mistral ระบุไว้ในโมเดลการ์ดของตัวเอง หากรันดัชนีใหม่ ตัวเลขทั้งสองจะเปลี่ยน แต่ลำดับไม่เปลี่ยน

จุดที่ช่องว่างปรากฏขึ้นจริง

ผลทดสอบมาตรฐานแบบสาธารณะสอดคล้องกับดัชนี ซึ่งเป็นเรื่องผิดปกติ ตัวเลขทั้งสองชุดด้านล่างดำเนินการโดยผู้ขาย และไม่มีชุดใดได้รับการทำซ้ำโดยอิสระ ดังนั้นให้ถือว่าสิ่งเหล่านี้เป็นข้อกล่าวอ้างที่มีสถานะเท่าเทียมกัน มากกว่าที่จะเป็นหลักฐานของคุณภาพที่แตกต่างกัน

• Terminal-Bench 4.0 — Claude Fable 5.1 อยู่ที่ 55.8% ตามข้อมูลของ Anthropic; Mistral Large 4 อยู่ที่ 41% ตามข้อมูลของ Mistral ทั้งสองผู้พัฒนารันฮาร์เนสของตนเอง และตัวเลขที่ Anthropic รายงานเองก็ปรากฏเป็น 58.1% ในบทความบางชิ้น ดังนั้นทศนิยมที่แน่นอนจึงเป็นค่าที่คลุมเครือในทั้งสองคอลัมน์

• วิทยาศาสตร์ระยะยาว — Claude Fable 5.1 อยู่ที่ 52.6% บน Terminal-Bench-Science 0.1 ซึ่งเป็นข้ออ้างที่โดดเด่นของ Anthropic และเป็นข้ออ้างที่ตารางของห้องแล็บแห่งที่สองได้แสดงค่าต่ำกว่ามากสำหรับโมเดลเดียวกันในเวลาต่อมา Mistral Large 4 ไม่มีแถวข้อมูลที่เผยแพร่เทียบเคียงได้ ซึ่งในตัวมันเองก็เป็นข้อมูลที่น่าสนใจ: โมเดลนี้ถูกวางตำแหน่งสำหรับการเขียนโค้ดและความปลอดภัย ไม่ใช่สำหรับวิทยาศาสตร์เชิงเอเจนต์ระดับงานวิจัย

• Humanity's Last Exam — 60.9% โดยไม่ใช้เครื่องมือ และ 65.0% เมื่อใช้เครื่องมือ สำหรับ Claude Fable 5.1 Mistral เผยแพร่ผล 35.0% บนเบนช์มาร์กเดียวกันสำหรับพรีวิวเดือนตุลาคม ตัวเลขพรีวิวนั้นเกิดขึ้นก่อน RL สามสัปดาห์และ checkpoint สุดท้าย ดังนั้นจึงประเมินรุ่นที่เผยแพร่จริงต่ำเกินไป — แต่เป็นตัวเลขเดียวที่ทั้งสองฝ่ายเปิดเผยสำหรับ HLE

• งานด้านความปลอดภัย — ในส่วนนี้ Mistral Large 4 มีข้ออ้างที่แข็งแกร่งกว่า โดยทำได้ 79% บน CyberGym-E2E และ 97.1% บนชุดทดสอบความปลอดภัยของเอเจนต์ B3 หลังจากผ่าน RL โมเดลของ Anthropic ปฏิเสธงานประเภทนี้มากกว่าแทนที่จะทำงานนั้นแล้วล้มเหลว ซึ่งเป็นความแตกต่างเชิงนโยบายพอ ๆ กับความแตกต่างเชิงความสามารถ และไม่ควรตีความว่าเป็นช่องว่างด้านความสามารถ

• ประสิทธิภาพของโทเค็น — กรอบคำอธิบายของ Mistral เองระบุว่าโมเดลที่เปิดตัวนี้ใช้โทเค็นต่องานน้อยกว่า GLM-5.3 ถึง 47% ขณะที่ได้คะแนนเท่ากันที่ 48% บนดัชนี Coding Agent ของ Artificial Analysis นี่เป็นแถวที่หาได้ยากซึ่งผู้ให้บริการเผยแพร่ข้อมูลด้านต้นทุนของเบนช์มาร์กควบคู่กับคะแนน และเป็นตัวเลขที่มีประโยชน์ที่สุดในทั้งสองคอลัมน์

ตัวเลขที่ดูเหมือนเป็นการถดถอยแต่ไม่ใช่

Mistral Large 4 เวอร์ชันพรีวิวทำคะแนนได้ 38.4 บนดัชนีของ Artificial Analysis ส่วนเวอร์ชันที่เปิดตัวจริงทำได้ 26 ผู้อ่านทั่วไปที่นำตัวเลขสองตัวนี้มาเปรียบเทียบจะสรุปว่าการเรียนรู้แบบเสริมกำลัง (reinforcement learning) เป็นเวลาสามสัปดาห์ทำให้โมเดลแย่ลงถึงสิบสองคะแนน ซึ่งไม่จริง ตัวเลข 38.4 ถูกบันทึกบนดัชนี v4.3 ส่วน Artificial Analysis ได้สร้างดัชนีขึ้นใหม่ในช่วงปลายเดือนตุลาคม และการสร้างใหม่เป็น v5 นั้นเป็นเครื่องมือที่เข้มงวดกว่าทุกด้าน โมเดลที่เคยอยู่ในช่วงห้าสิบต้น ๆ บน v4.3 กลับอยู่ในช่วงสี่สิบต้น ๆ บน v5 ตัวเลขสองตัวนี้ไม่ใช่การวัดสิ่งเดียวกัน และการนำมาลบกันคือข้อผิดพลาดที่พบบ่อยที่สุดในการรายงานข่าวเกี่ยวกับการเปิดตัวครั้งนี้

คำเตือนเดียวกันนี้ใช้กับตัวเลข 41% ของ Terminal-Bench ด้วย Mistral รายงานไว้ที่ 28.3% ก่อนการทำ RL เพิ่มเติม และ 41% หลังจากนั้น ซึ่งเป็นการเพิ่มขึ้นแบบเทียบกันได้จริงบนฮาร์เนสเดียว แต่ 41% ก็ยังเป็นคะแนนสัมบูรณ์ที่ต่ำเมื่อเทียบกับ 55.8% ของ Claude Fable 5.1 และไม่ว่าการนำเสนอจะเน้นเรื่องการปรับปรุงมากเพียงใด ก็ไม่เปลี่ยนลำดับดังกล่าวเช่นกัน

ข้อกำหนดเรื่องใบอนุญาตที่ชี้ขาดมากกว่าช่องว่าง

Mistral Large 4 เปิดตัวภายใต้ Mistral Ecosystem Open-Weight License ซึ่งบริษัทอธิบายว่าเป็นข้อความ MIT ที่ดัดแปลง ในทางปฏิบัติ ไลเซนส์นี้ให้สิทธิ์สี่ประการ แต่ไม่ให้อีกหนึ่งประการ:

• การใช้งานเชิงพาณิชย์ โดยไม่มีเกณฑ์รายได้ — ไม่มีข้อความว่า "คุณต้องมีรายได้ต่ำกว่า $X ล้านจึงจะใช้สิ่งนี้ได้"

• การปรับแต่งละเอียดและโมเดลที่ต่อยอด ซึ่งเป็นข้อกำหนดที่ทำให้งาน RL ตั้งแต่วันแรกเป็นไปได้เลย

• การติดตั้งใช้งานภายในองค์กรและการโฮสต์บนโครงสร้างพื้นฐานขององค์กรเอง ซึ่งเป็นจุดขายด้าน Sovereign AI ที่ Mistral ใช้เป็นแกนหลักในการเปิดตัวครั้งนี้ทั้งหมด

• การฝังไว้ภายในผลิตภัณฑ์ โดยมีข้อยกเว้นครอบคลุมการใช้งานแบบฝังในผลิตภัณฑ์และการส่งต่อผลลัพธ์โดยตรงเท่านั้น

• ไม่ได้รับอนุญาต: การดำเนินธุรกิจแบบ model-as-a-service บนสิ่งนี้ หากคุณต้องการตั้ง API endpoint แบบคิดตามจำนวนโทเค็นและขายการเข้าถึง คุณต้องมีข้อตกลงเชิงพาณิชย์แยกต่างหากกับ Mistral

Claude Fable 5.1 ไม่มีคำถามที่เทียบเท่ากัน เพราะไม่มีสิทธิ์การเข้าถึงที่เทียบเท่ากัน คุณได้รับ API ข้อกำหนดการให้บริการ และขีดจำกัดอัตราการใช้งาน คุณไม่ได้รับ weights คุณไม่สามารถ fine-tune และคุณไม่สามารถวางโมเดลไว้ในเครือข่ายแบบ air-gapped ได้ไม่ว่าจะจ่ายในราคาเท่าใด ข้อกำหนดของ Anthropic เพิ่มข้อจำกัดของตนเองที่ตัดไปในทิศทางเดียวกัน: บน API ของผู้ให้บริการเอง การเก็บข้อมูลเป็นศูนย์ (zero data retention) ต้องได้รับอนุญาตโดยเฉพาะ การบังคับใช้เครื่องมือ (forced tool use) ไม่ได้รับการสนับสนุน และไม่สามารถปิดการคิด (thinking) ได้ การส่งโมเดลเดียวกันผ่านผู้ให้บริการที่มีข้อตกลงการเก็บข้อมูลเป็นศูนย์คือวิธีที่ทีมงานหลีกเลี่ยงข้อจำกัดข้อแรก ข้อจำกัดเหล่านี้มีความสำคัญต่อผู้ซื้อที่อยู่ภายใต้การกำกับดูแล ในแบบที่ช่องว่างคะแนนดัชนี 17 จุดไม่มีความสำคัญเช่นนั้น

ต้นทุน โดยมีข้อแม้เรื่องความเยิ่นเย้อ

ให้ดูราคาตามรายการก่อน เพราะราคาโปรโมชั่นมีอายุจำกัด และราคาตามรายการคือราคาที่ระบุอยู่ในสัญญา

• Claude Fable 5.1 — $10.00 ต่อหนึ่งล้านโทเค็นอินพุต, $50.00 ต่อหนึ่งล้านโทเค็นเอาต์พุต, โดยการอ่านแคชลดเหลือ $0.25 ต่อหนึ่งล้าน; ราคาแบบแบตช์ลดครึ่งหนึ่งของทั้งสองรายการเหลือ $5 และ $25

• Mistral Large 4 — ราคาปกติอยู่ที่ 1.36 ดอลลาร์ต่อล้านโทเคนสำหรับอินพุต และ 4.18 ดอลลาร์ต่อล้านโทเคนสำหรับเอาต์พุต ปัจจุบันลดราคาลงประมาณครึ่งหนึ่งเหลือราว 0.68 ดอลลาร์ และ 2.09 ดอลลาร์ โดยไม่มีการประกาศวันสิ้นสุดโปรโมชัน

ในราคาตามรายการ นั่นคือ 7.4 เท่าสำหรับอินพุต และ 12 เท่าสำหรับเอาต์พุต ในโปรโมชันปัจจุบันจะใกล้เคียง 15 เท่าและ 24 เท่า ทั้งสองค่าสูงพอที่คำถามเรื่องราคาจะมีน้ำหนักกว่าคำถามเรื่อง benchmark สำหรับใครก็ตามที่มีปริมาณการใช้งานจริง ซึ่งเป็นเหตุผลตรงไปตรงมาว่าการเปรียบเทียบนี้ถูกเขียนขึ้นมาตั้งแต่แรก

ข้อแม้คือความ verbose และมันเป็นเรื่องจริง ในการรันดัชนี Artificial Analysis ของรุ่นพรีวิว Mistral Large 4 สร้างเอาต์พุตราว 200 ล้านโทเคน เทียบกับค่ามัธยฐานบนกระดานที่ประมาณ 85 ล้าน ราคาต่อโทเคนคูณด้วยปัจจัยนั้น หากส่งเอาต์พุต 200 ล้านโทเคนเดียวกันผ่านทั้งสองโมเดล การคำนวณคือ $418 สำหรับ Mistral Large 4 ในอัตราโปรโมชัน เทียบกับ $10,000 สำหรับ Claude Fable 5.1 ในราคาตั้ง ตัวคูณนั้นยังคงอยู่แม้มีความ verbose — มันลดลง แต่ไม่ได้กลับด้าน — แต่ใครก็ตามที่อ้างอัตราส่วนต่อโทเคนโดยไม่ตรวจสอบว่าโมเดลเปล่งโทเคนออกมาจริงเท่าใด กำลังอ้างตัวเลขเพียงครึ่งเดียว ยังไม่ได้วัดว่าช็екพอยต์ที่เผยแพร่มีความ verbose เท่ากับพรีวิวหรือไม่ การลดโทเคนเอาต์พุต 30% ที่ Mistral อ้างว่ามาจาก RL เพิ่มเติม คือคำตอบของบริษัทเองต่อคำถามนั้น

ที่ซึ่งแต่ละรายการสามารถถูกเรียกได้จริง

นี่คือส่วนของการเปรียบเทียบที่โมเดลทั้งสองหยุดมีความสมมาตรกัน Claude Fable 5.1 อยู่ในแคตตาล็อก OrcaRouterในชื่อanthropic/claude-fable-5.1 โดยมีคอนเท็กซ์ขนาด 1M โทเคน ราคา $10/$50 และอัตราการอ่านแคชที่ลดลงซึ่งส่งต่อในราคาตามรายการของผู้ให้บริการ — ไม่มีการบวกเพิ่มใดๆ ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายจึงมีผลในวันเดียวกัน Mistral Large 4 ไม่อยู่ในแคตตาล็อกนั้น เราไม่ได้ให้บริการมัน และบทความนี้ไม่ใช่ช่องทางไปสู่มัน โมเดลที่เผยแพร่แล้วอยู่บน Hugging Face และอยู่เบื้องหลัง API ของผู้ขายเอง การพูดตรงๆ เช่นนี้มีประโยชน์มากกว่าการบอกเป็นนัยเป็นอย่างอื่น

ในทางปฏิบัติ สิ่งนี้หมายความว่าอย่างไรขึ้นอยู่กับว่าคุณอยู่ฝั่งไหนของสัญญาอนุญาต หากคุณต้องการโมเดลที่รันบนฮาร์ดแวร์ของคุณเอง ตรวจสอบได้ตั้งแต่ต้นจนจบ และปรับแต่งด้วย LoRA adapter ได้ มีเพียงหนึ่งในสองตัวนี้เท่านั้นที่คุณจะใช้ได้ และช่องว่าง 17 จุดนั้นคือราคาของการควบคุมนั้น หากคุณต้องการคำตอบที่แข็งแกร่งที่สุดต่อการเรียกใช้หนึ่งครั้งและไม่มีความตั้งใจที่จะเป็นเจ้าของสิ่งใดเลย มีเพียงหนึ่งในสองตัวนี้เท่านั้นที่เป็นตัวเลือกที่จริงจัง และราคาผลลัพธ์ที่สูงขึ้น 12 เท่าคือต้นทุนของความสามารถนั้น การวางทั้งสองตัวไว้หลังคีย์เดียวโดยกำหนดค่า failover แยกตามแต่ละเส้นทาง คือรูปแบบเชิงปฏิบัติของการตัดสินใจเดียวกันนี้: ช่วยให้คุณตั้งค่าเริ่มต้นให้ใช้โมเดลราคาแพงและสลับไปใช้โมเดลที่ถูกกว่าได้โดยไม่ต้องมีสัญญาฉบับที่สอง

เลือกอันไหน

เลือก Claude Fable 5.1 หากงานของคุณเป็นการทำงานแบบเอเจนติกที่ต้องใช้เวลายาวนาน การเขียนโค้ดที่เน้นเทอร์มินัลเป็นหลัก หรือการให้เหตุผลระดับงานวิจัยที่คำตอบผิดมีต้นทุนสูงกว่าค่าโทเค็น ให้รับคำกล่าวอ้างเรื่อง Terminal-Bench ที่ 55.8% โดยมีข้อแม้ว่าเป็นการทดสอบที่ผู้ขายจัดทำเอง แต่ให้จริงจังกับลำดับชั้น: ไม่มีสิ่งใดที่ Mistral เผยแพร่ทำให้ Mistral Large 4 อยู่ในระดับเดียวกัน

เลือก Mistral Large 4 หากข้อจำกัดเป็นเรื่องกฎหมายหรือภูมิศาสตร์มากกว่าความสามารถทางปัญญา องค์กรยุโรปที่ไม่สามารถส่งพรอมต์ข้ามพรมแดน ทีมความปลอดภัยที่ต้องการให้นโยบายการปฏิเสธอยู่นอกวงจร หรือผลิตภัณฑ์ที่ต้องจัดส่งโมเดลไว้ภายในไบนารีของตัวเอง — ไม่มีกรณีใดแก้ได้ด้วยคะแนนดัชนีที่ดีขึ้น และทุกกรณีแก้ได้ด้วยน้ำหนัก NVFP4 ขนาด 610 GB ที่ไม่มีการจำกัดการเข้าถึง พร้อมสัญญาอนุญาตที่เปิดให้ทำ fine-tuning ภายในได้

ไม่เลือกทั้งสองอย่าง และจัดเส้นทางระหว่างทั้งสอง หากคำตอบที่ตรงไปตรงมาคือคุณมีภาระงานสองประเภทที่มีข้อจำกัดต่างกัน นี่คือกรณีที่ช่องว่างราคาถูกออกแบบมาให้เกิดขึ้น และเป็นกรณีที่ทีมส่วนใหญ่จะลงเอยด้วย

คำถามที่เปิดอยู่

ตัวเลขที่จะทำให้การเปรียบเทียบนี้เปลี่ยนไปไม่ได้อยู่บนสไลด์ของผู้จำหน่ายทั้งสองราย แต่คือการรันซ้ำโดยอิสระของเช็กพอยต์ที่เปิดตัวแล้วบนดัชนี v5 ของ Artificial Analysis เพราะตัวเลข 26 ในปัจจุบันมาจากการที่ Mistral อ้างอิงบุคคลที่สาม ไม่ใช่จากการวัดน้ำหนักสุดท้ายใหม่ หาก RL สามสัปดาห์และการมีโทเค็นเอาต์พุตน้อยลง 30% ขยับตัวเลขนั้นอย่างมีนัยสำคัญ ช่องว่างก็จะแคบลง และข้อโต้แย้งเรื่องราคาก็จะแข็งขึ้น หากไม่เป็นเช่นนั้น โมเดลที่เปิดตัวก็เป็นเพียงพรีวิวที่มีมารยาทดีขึ้น และ 17 คะแนนนั้นเป็นเรื่องเชิงโครงสร้าง

จนกว่าการรันนั้นจะมีขึ้น จุดยืนที่ปกป้องได้คือจุดยืนที่น่าเบื่อ: Claude Fable 5.1 เป็นโมเดลที่ดีกว่า Mistral Large 4 เป็นไลเซนส์ที่ดีกว่า และคนกลุ่มเดียวที่มองว่านี่เป็นการตัดสินใจที่สูสีคือคนที่ต้องการทั้งสองอย่าง