Muse Spark กับ Mistral Large 4.0: พรีวิวเทียบกับโมเดลที่เปิดตัวแล้ว

นี่ไม่ใช่การแข่งขันที่ยุติธรรม และ Mistral ก็จะเป็นฝ่ายแรกที่ยอมรับเช่นนั้น Mistral Large 4.0ได้รับการประกาศเมื่อวันที่ 6 ตุลาคม 2026 ในฐานะพรีวิวสาธารณะภายใต้ชื่อเล่น "le Chonk" — เป็นโมเดล Mixture of Experts ขนาด 1 ล้านล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ใช้งานจริง 52 พันล้านพารามิเตอร์ อธิบายตัวเองว่ายังอยู่ในช่วงพัฒนา และสัญญาว่าจะปล่อยเวตภายในสิ้นเดือนตุลาคม Muse Spark 1.3เช็กพอยต์ Muse Spark ปัจจุบันของ Meta นั้น เปิดตัวเมื่อวันที่ 2 กันยายน 2026 และมีเสถียรภาพตั้งแต่นั้นเป็นต้นมา การนำโมเดลพรีวิวมาเปรียบเทียบกับโมเดลที่วางจำหน่ายแล้วถือเป็นข้อผิดพลาดเชิงหมวดหมู่หากคุณกำลังเลือกโครงสร้างพื้นฐานสำหรับการผลิต และเป็นการทดลองที่มีประโยชน์อย่างแท้จริงหากคุณกำลังพยายามหาว่าในสองสายที่ใกล้เคียงกับโมเดลน้ำหนักเปิดนี้ สายใดควรค่าแก่การจับตามองของคุณในช่วงสองไตรมาสข้างหน้า การที่คุณกำลังทำสิ่งใดสิ่งหนึ่งนั้นเปลี่ยนข้อสรุปทุกข้อด้านล่าง ดังนั้นบทความนี้จึงแยกคำถามสองข้อออกจากกัน

จุดยืนที่แท้จริงของแต่ละคน

Muse Spark is a family, not a model. Muse Spark 1.1 arrived July 16, 2026, Muse Spark 1.2 on August 5, and Muse Spark 1.3 on September 2, all from M​eta Superintelligence Labs, all sharing a 1,048,576-token context window. Muse Spark 1.3 gained its max reasoning setting on September 4. It is live, priced, documented and stable — and the family's pricing has not moved in three consecutive releases.

M​istral Large 4 is at the other end of its lifecycle. The announcement is unusually candid about it: a public preview on M​istral Studio today, weights "by the end of the month", a model that "continues to improve rapidly as we refine it", currently being red-teamed with cybersecurity partners and vetted organisations under reduced moderation. It was trained from scratch on 3,800 N​VIDIA Grace Blackwell GPUs in M​istral's own European datacentres, and M​istral is explicit that sovereignty is the point — a European-hosted, self-deployable model for organisations that cannot accept provider-level refusals mid-incident.

ความแตกต่างในระดับความสมบูรณ์นี้คือสิ่งแรกที่ต้องคิดเผื่อไว้ และมันไม่ใช่ข้อตำหนิ พรีวิวที่ยังจะเปลี่ยนแปลงคือพรีวิวที่คุณยังไม่ควรสร้างไปป์ไลน์ที่ได้รับการรับรองบนมัน ส่วนโมเดลที่ปล่อยใช้งานจริงแล้วซึ่งไม่เปลี่ยนแปลงมา 6 สัปดาห์คือโมเดลที่คุณสร้างไปป์ไลน์ที่ได้รับการรับรองบนได้

ตัวเลขอิสระ

Both rows are Artificial Analysis' hosted measurements; neither is a vendor claim, and the listing names M​istral's entry "M​istral Large 4 Preview".

• ดัชนีสติปัญญา — Muse Spark 1.3 (max): 48, อันดับ 24 จาก 217. Mistral Large 4 Preview: 38, อันดับ 66 จาก 217.

• Cost per index task — Muse Spark 1.3: $1.60. M​istral Large 4 Preview: $1.13. M​istral is cheaper per completed task despite the lower score.

• ความเร็วเอาต์พุต — Muse Spark 1.3: 121.9 โทเคนต่อวินาที อยู่ในอันดับที่ 43 จาก 186 Mistral Large 4 Preview: ไม่ได้วัด ไม่มีตัวเลขเผยแพร่ สำหรับพรีวิวที่ให้บริการจากคลัสเตอร์ภายในองค์กรเพียงแห่งเดียว ความเร็วที่ไม่ได้วัดจึงไม่ใช่เรื่องน่าแปลกใจ และยังคงเป็นช่องว่างอยู่

• ความฟุ่มเฟือยของคำ — Muse Spark 1.3: 170M โทเค็นเอาต์พุตบนดัชนี Mistral Large 4 Preview: 200M ซึ่งอธิบายว่าฟุ่มเฟือยมาก Muse Spark ได้เปรียบ

• List pricing — Muse Spark 1.3 at $1.25 in / $4.25 out with cached input at $0.15, flat. M​istral Large 4 is currently on a sale rate reported at $0.68 in / $2.09 out with cached input at $0.07, against regular rates of $1.36 and $4.18. M​istral's own public pricing page still shows a generic "M​istral Large" figure and does not list Large 4, so the documentation page is the authoritative source and the sale rate is the one to verify before you commit.

อ่านตารางนั้นเป็นข้อความเกี่ยวกับวันนี้ แล้วมันบอกอะไรที่ค่อนข้างน่าอึดอัดเล็กน้อยสำหรับ Meta: โมเดลที่ถูกกว่าตรงนี้คือโมเดลที่ได้คะแนนต่ำกว่า และมันได้คะแนนต่ำกว่าถึงสิบจุดดัชนี อ่านมันเป็นข้อความเกี่ยวกับพรีวิว แล้วมันบอกสิ่งที่มีประโยชน์มากกว่า — ต้นทุนการรันนั้นแข่งขันได้ ขณะที่ความสามารถยังไม่ถึงระดับนั้น ซึ่งเป็นลักษณะของโมเดลที่ยังมีที่ให้ขยับและผู้ขายที่ตั้งราคาไว้สอดคล้องกัน

ความขัดแย้งของหน้าต่างบริบท ซึ่งถูกระบุไว้มากกว่าจะได้รับการแก้ไข

M​istral's own model card gives M​istral Large 4 a 1-million-token context window. Artificial Analysis' listing for the same model shows 524,000 in its specification panel and describes it as "520k tokens" in the prose. We are not going to average those. One of the two is wrong, or one is describing a configuration the other is not, and we could not resolve it from the public record. What we can say is that the vendor figure is more specific about modality and architecture and the analyst figure is more specific about cost and task performance, so neither source dominates. If window size matters to your decision, verify it against the API before you commit — this is exactly the kind of discrepancy that propagates into production unnoticed.

ในด้านมอดาลิตี้ ไม่มีความขัดแย้งและไม่มีความกำกวม ทั้งสองโมเดลรับข้อความและภาพเป็นอินพุต และส่งคืนข้อความ การ์ดโมเดลของ Mistral Large 4 เพิ่มการให้เหตุผลเป็นรูปแบบเอาต์พุต และระบุ structured outputs, function calling, document Q&A, prefix completion, batching, agents และ connectors ไว้ในคุณสมบัติของโมเดล Muse Spark 1.3 รับข้อความ ภาพ และวิดีโอเป็นอินพุต และส่งคืนข้อความ โดยมีระดับการให้เหตุผลแบบขั้นบันไดตั้งแต่ต่ำสุดถึงสูงสุด ที่น่าสังเกตคือ ทั้งสองโมเดลไม่ได้เผยแพร่ตัวเลขจำนวนโทเคนเอาต์พุตสูงสุดที่เราสามารถตรวจสอบได้ — ซึ่งเป็นหนึ่งในไม่กี่จุดในแวดวงปัจจุบันที่โมเดลระดับแนวหน้าจากแล็บชั้นนำไม่ระบุเลย

คำกล่าวอ้างของผู้ขายแต่ละราย ถูกเก็บไว้ในฝั่งของตัวเอง

M​istral's announcement leans on vertical strengths rather than a general scoreboard. Vendor-reported and unreproduced: DeepSWE v1.1 at 61.7%, SWE-Atlas-QnA at 59.4%, Terminal-Bench 4 at 28.3%, a Combined Coding Agent Index of 49.8%, AutomationBench at 59.9%, AA-Briefcase at 1,393 Elo, a second-place 3.74 out of 5 in Surge AI's blind human coding evaluation, 42% on Dense 200 visual grounding, 93.3% attack resistance on Lakera B3, and a cybersecurity pitch that is the real differentiator — top five on the Artificial Analysis Cyber Index, 82% on a reproduce-and-patch task that M​istral claims is the highest of any model, and 93% on Cybench. M​istral's own framing of that last point is that several leading closed models, Claude Opus 5.5 and GPT-6 Astra among them, score near zero on the same test because they refuse the task rather than fail it.

ตัวเลขของ Meta สำหรับ Muse Spark 1.3 เป็นกระดานคะแนนแบบ agentic อเนกประสงค์: DeepSWE v1.1 ที่ 75.4, OSWorld 2.0 ที่ 66.9, Terminal-Bench 2.1 ที่ 76.4 ด้วยเอเจนต์ Terminus 2, MCP-Atlas ที่ 89.2, GDPval-AA v2 ที่ 1,754, SciCode ที่ 58.5, HLE-Diamond ที่ 26.1 โดยไม่ใช้เครื่องมือ และ JobBench ที่ 61.8

สองรายการแทบไม่ทับซ้อนกัน DeepSWE v1.1 เป็นการประเมินเดียวที่ทั้งสองฝ่ายเผยแพร่ และในจุดนั้น Meta อ้างค่า 75.4 เทียบกับ 61.7 ของ Mistral — ช่องว่างที่กว้างพอจะคงอยู่ได้แม้มีความแตกต่างของฮาร์เนส แม้ว่าเราจะยังไม่ได้ทำซ้ำผลของทั้งสองฝ่ายก็ตาม ในส่วนอื่น ผู้ขายเพียงวัดสิ่งที่ต่างกัน ซึ่งเป็นเหตุผลว่าทำไมการเปรียบเทียบที่ซื่อสัตย์จึงอาศัยแถวอิสระด้านบนแทนที่จะนำสองตารางนี้มาวางซ้อนกัน

คำถามที่แยกพวกเขาออกจากกันจริง ๆ: น้ำหนักแบบเปิด

นี่คือแกนที่ชื่อการเปรียบเทียบสื่อถึง และเป็นแกนที่โมเดลทั้งสองเป็นผลิตภัณฑ์ที่แตกต่างกันอย่างแท้จริง มากกว่าที่จะเป็นเวอร์ชันที่ดีกว่าและแย่กว่าของสิ่งเดียวกัน

Mistral Large 4 มีเส้นทางที่ระบุไว้สู่การเปิดให้ดาวน์โหลดเวต โดยสัญญาไว้ว่าภายในสิ้นเดือนตุลาคม 2026 พร้อมคำกล่าวอ้างว่ามีประสิทธิภาพเหนือกว่าโมเดลน้ำหนักเปิดใด ๆ ที่พัฒนาในสหรัฐอเมริกาหรือยุโรป หากสำเร็จ มันจะกลายเป็นการเปิดตัวโมเดลน้ำหนักเปิดที่ใหญ่ที่สุดของยุโรปและเป็นทางเลือกที่แท้จริงสำหรับองค์กรที่ต้องโฮสต์เอง โปรดทราบว่าสัญญาอนุญาตยังไม่ระบุชื่อบนโมเดลการ์ด ณ เวลาที่เขียนนี้ และที่เก็บ Hugging Face ไม่เปิดให้อ่านแบบสาธารณะเมื่อเราตรวจสอบ ดังนั้นเงื่อนไขที่เวตเหล่านั้นจะมาถึงจึงยังไม่อาจทราบได้ — ช่องว่างที่เราจะไม่กลบเกลื่อน เพราะในการเปิดตัวโมเดลน้ำหนักเปิด สัญญาอนุญาตมักเป็นเรื่องที่บอกทุกอย่าง

The Muse Spark line is not an open-weight line. Muse Spark 1.1, 1.2 and 1.3 are closed and served through M​eta's own API. What does carry weights is a separate member of the family under its own name — Muse Spark Open, an 816B-total / 42B-active release whose repository was created on September 15, 2026, sat gated and unannounced for four weeks, and was published with a licence by M​eta on October 15, 2026. That timeline is the part we can state flatly, because the repository timestamps and the licence date are in the artefact. What is not confirmed is how good it is: M​eta has not published the evaluation report behind its own scorecard, so treat the Open weights as their own question rather than as a newer version of Muse Spark 1.3. Anyone comparing M​istral's open-weight promise against Muse Spark 1.3 is comparing two different distribution models, not two capability tiers.

Which means the decision rule is simple and has almost nothing to do with the index. If you must run the model on your own hardware, in your own jurisdiction, under your own policies, this comparison has one candidate and it is the M​istral one, subject to what its licence says when the weights appear. If you are buying an endpoint, the M​istral preview is currently the lower-scoring and cheaper option against a shipped model that beats it by ten index points.

การสร้างโดยอ้างอิงกับทางใดทางหนึ่งโดยไม่ยึดติด

OrcaRouter routes Muse Spark 1.2 and Muse Spark 1.1 at Meta's list price with 0% markup passed through, alongside 200+ models on one API, with automatic failover and a routing DSL for splitting traffic between them. M​istral Large 4 is not on our catalogue, and Muse Spark 1.3 is not either — so we are not going to pretend this matchup can be run end-to-end on one of our keys today. What the pass-through model is good for here is the specific thing this matchup needs: as M​istral's sale pricing and its weight release both land within weeks of each other, a routed key means a price change or a new open build shows up on our side the same day it shows up on theirs, rather than at the next contract renewal.

ทำอะไรดีเดือนนี้

If your decision can wait until the end of October, wait — the single most consequential fact about M​istral Large 4 is not yet published, and it is the licence on the weights rather than any number in this article. If it cannot wait, the comparison as it stands today is between a preview at $0.68 / $2.09 on sale with a 38 index score and no measured output speed, and a shipped model at $1.25 / $4.25 with a 48 index score, roughly 122 tokens per second and six weeks of stability behind it. The preview is cheaper per task today and will almost certainly be a different model by the time anyone reads this; the shipped one is ten points stronger and will not have changed. Neither of those is a recommendation, because the deciding factor is whether the weights M​istral promised are something you need — and that is not a benchmark question.

ผลลัพธ์แบบนี้ยังเป็นเครื่องเตือนใจว่าความผิดพลาดของโมเดลได้รับการบันทึกไว้แล้ว: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่อยู่เบื้องหลังโมเดลระดับนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งที่มาของตนเอง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้ง