Mistral Large 4：它是什么、要花多少钱，以及 Mistral 自家模型卡上仍然空白的那一行

Mistral Large 4 是 Mistral AI 的旗舰通用模型，也是 Large 系列中的最高端型号，此前这一位置由 Mistral Large 3 占据。它是一个原生多模态的专家混合模型，Mistral 自家文档称其总参数量达 1.05 万亿、激活参数 520 亿，配备一个 16 亿参数的视觉编码器、100 万 token 的上下文窗口，价目表上的价格为每百万输入 token 1.36 美元、每百万输出 token 4.18 美元。其 API 名称为 mistral-large-4。而价目表上没有写出的，恰恰是大量读者前来寻找的东西：Mistral 自家模型页面上的许可标识写着“Open”（开放），却没有给出任何具体名称，也没有可供下载的检查点仓库。以上是截至 2026 年 10 月 13 日该模型的状况描述。

铺垫很重要，所以放在最前面。Mistral 于 2026 年 10 月 6 日宣布 Mistral Large 4 进入公开预览，本博客已经发布了那篇新闻稿，以及由此衍生的九个正面对比页面。一直缺的，是它们下面那个朴素的页面。这个缺口是量出来的，而不是猜的：截至 10 月 13 日的二十八天里，在我们自己的站点上，这个光秃秃的名称带来了 3,141 次展示和 68 次点击，分布在五个查询词上，而它下面那些带修饰词的条目——artificial analysis 为 129 次展示，preview 为 122 次，benchmark 为 84 次，ollama 为 70 次——全都很少。与此同时，这些对比类条目的转化率是裸词的好几倍，这正是先写对比页面的原因。这个页面，就是为那位输入了名称、想知道这东西到底是什么的读者准备的。

这个名字，以及4-0就在我们自己的 URL 中

Mistral 将该模型写作 Mistral Large 4。其发布文章还给出了两个非正式称呼——“ML4”和“le Chonk”——而它的文档则通过一个可从 mistral-large-4 和 mistral-large-4-0 两个地址访问的页面来提供该模型的模型卡。模型卡上的徽章写的是 mistral-large-4，模型选择指南也把 mistral-large-4 列为 API 名称，因此不带末尾零的简洁形式才是厂商当前使用的名称，而末尾的零则是沿用自发布日链接的旧别名。

这一点值得用一句话来厘清，因为这里已经发布的每个页面都采用 4-0 形式——预览文章、托管页面以及全部九项对比都归档在 mistral-large-4-0-* 之下。这些 URL 指向的正是本页所描述的同一个模型。本页只是为参考条目沿用了厂商的拼写，因此从裸名称来到这里的读者，会以该模型制造商目前使用的名称见到它。

Mistral 卡片上的这三个状态标签值得放在一起读，因为它们用三个词概括了该模型的全部处境：公开预览版、开放和v26.10。第一个说明服务配置仍可能变动。第二个是开放权重的说法。第三个是修订版本号，也是三者中唯一纯粹属于事实的一个。

该规范，正如 Mistral 所述

下文列表中的所有内容都是 Mistral 自己在模型卡、模型选择指南和发布文章中的原话。如果独立实验室对同一数字的解读不同，该解读会在相应行中标明，而不是被平均纳入。

• 参数 — 总计 1.05 万亿，其中 520 亿为激活参数，采用细粒度稀疏专家混合架构。发布文章将总数四舍五入为"1 万亿参数"；模型卡给出的则是 1.05T 这一数字。Artificial Analysis 记录的激活参数数量为 490 亿，而非 520 亿，这在同一维度上存在 30 亿的差距。

• 视觉编码器——16亿参数，Mistral将其描述为原生多模态模型，而非事后适配图像。

• 模态——输入为文本和图像，输出为文本，并包含推理。Mistral 的选择指南将输出归类为“推理、文本”，Artificial Analysis 则将其记录为推理模型，并注明可能还存在非推理变体。发布帖自己的产品卡片称其为“混合式指令与推理 MoE”。

• 上下文窗口 — Mistral 的规格中标注为 100 万 token。Artificial Analysis 在其测试的配置下读取到 524,288 个 token，这正是厂商上限与实际服务窗口之间的差别。

• 价格 — 每百万输入 token 1.36 美元，缓存输入 0.14 美元，每百万输出 4.18 美元，依据 Mistral 公布的定价页面。该页面还包含一项发布促销，同样的三行价格被划掉，显示为 0.68 美元、0.07 美元和 2.09 美元。

• 语言 — 据 Mistral 自己所说，训练数据包含 160 多种语言，涵盖欧盟的所有官方语言。

• 许可证——未命名。下文将详细说明，因为这是页面上承载分量最重的一处空白。

许可与权重：本次发布实际发布的内容

Mistral Large 3 是在 Apache 2.0 下发布的。其在 Hugging Face 上的模型卡在元数据中带有该许可证标签，其权重可按 FP8、NVFP4 和 BF16 格式下载。Mistral Small 4 和 Ministral 3 各尺寸版本同样采用 Apache 2.0，而 Mistral Medium 3.5 被列为 Modified MIT。这些都不会顺延。许可证要从你眼前的这次发布中读取，而在 Mistral Large 4 上，厂商尚未写明任何许可证。

Mistral 自己的界面上有三处显示了这一空白，读者可以在浏览器中逐一核查：

• docs.mistral.ai 上的模型卡片带有一个许可证标签，该标签仅呈现"Open"这一个词，并未附带任何许可证名称。

• 模型选择指南——Mistral 为在其模型之间做选择的开发者发布的并排对比表——有一列“许可证”，相邻的每一行都已填写：Mistral Small 4 为 Apache 2.0，Mistral Medium 3.5 为 Modified MIT，Mistral Large 3 为 Apache 2.0。Mistral Large 4 那一行的“许可证”单元格是空的。

• 模型卡片上的权重标签页显示"即将推出"。

独立追踪同一领域的 Artificial Analysis 将 Mistral Large 4 的许可证名称和许可证 URL 记录为 null，并将该模型标记为isOpenWeights: false，将其归类为专有模型。这一标记并不与 Mistral 的宣传相矛盾；它只是对当前实际情况的陈述。由厂商自有集群提供的预览版本，既无代码仓库也无许可证文本，属于可调用的模型，而非开放权重的发布版本。

Mistral 承诺的是一个日期：“我们将在月底前发布权重”——这是发布帖自己的说法——同时还会提供关于架构、更多基准测试和后训练方法的进一步细节。在此之前，该公司表示正在与经过审查的合作伙伴和国家主管部门进行一个红队测试窗口。该组织的 Hugging Face 账号在 10 月 13 日查看时，仍然没有比 10 月 8 日更新的内容，而且这两个条目都不是 Large-line 检查点。

所以，如今对开放权重这一主张的准确描述是：它是一份附有截止日期的计划，由一个此前已在这一层级发布过 Apache 2.0 权重的实验室提出。这比含糊的承诺更有分量，却又比一个下载链接更弱。这两者之间的区别，正是本节存在的全部理由。

用 Mistral 的话说，Mistral Large 4 在哪里运行

Mistral 表示，预览 API 已在 Mistral Studio 上提供，并且该模型“可在全球多个地区使用，其中包括由 Mistral 端到端运营的欧洲部署，独立于其他数字服务提供商，并受欧洲法律管辖”。该公司还表示，该预览版运行在与模型训练相同的基础设施上——即其自有欧洲数据中心内的 3,800 块 NVIDIA Grace Blackwell GPU——并且该模型将能够在其目标工作负载上以私有云或本地部署方式运行。以上是供应商就其模型运行地点所作的陈述，归属于供应商，而非我们。

单独且明确地说：Mistral Large 4 不在 OrcaRouter 的目录中。我们于 10 月 13 日读取的实时模型列表提供 207 个模型标识符，其中没有一个是 Mistral 系列模型，无论是 mistral-large-4、mistral-large-4-0，还是任何其他拼写。此处并未声称任何路由，本段中的任何内容也不应被理解为如此。

本页不会再次回答的一个部署问题是 Ollama 列表。Mistral Large 4 在该库中以单个云端标签的形式出现，而不是可下载的规模梯度，这是一个独立的话题，另有专文——mistral-large-4-ollama-cloud-only——而如果读者来此是想知道能否将权重拉取到本地机器上，那就应该读那一页，而不是本页。

基准测试数据，以及是谁运行的这些测试

Mistral 的发布文章报告了一组密集的分数，并且异常明确地说明了其中哪些并非由该公司自己运行。在智能体编程方面，它列出了 DeepSWE v1.1 上的 61.7%、SWE-Atlas-QnA 上的 59.4% 和 Terminal-Bench 4.0 上的 28.3%，综合得出 49.8% 的 Coding Agent Index 得分，文章称这使该模型领先于 DeepSeek V4 Pro 0813 和 Qwen3.8 Max。在智能体工作流方面，它报告在涵盖 657 个业务工作流的 AutomationBench 上达到 59.9%；在长时程知识工作方面，它报告在 AA-Briefcase 上获得 1,393 Elo。在网络评估方面，它报告在 Artificial Analysis Cyber Index 上位列前五，在一项被描述为所有模型中最高分的复现并修补测试中达到 82%，并在 Cybench 的 40 项竞赛练习中达到 93%。在多模态定位方面，它报告在 Dense 200 上达到 42%，而 GPT-6 Astra 为 41%。所有这些数字均为厂商报告的数据；文中将其中一些描述为由第三方在该测试工具公开之前进行的评估，这比自行运行得出的数字具有更强的来源可信度，但仍不是已公开发布的数字。

独立数据更单薄，也更有用。Artificial Analysis 在 Intelligence Index v4.3 上给 Mistral Large 4 Preview 打了 38.4 分，这使该模型高于其对比类别的中位数，并在该指数的 216 个模型中位列第 65。同一页面还给出运行一个 Intelligence Index 任务的成本为 1.13 美元，并记录了一件发布文章完全没提到的事：该模型在指数运行期间生成了 2 亿个输出 token，而中位数为 8500 万，在冗长度上于 114 个模型中排名第 107。一个质量高于平均、但每个答案消耗 token 远高于平均的模型，会以头条分数无法体现的方式改变账单的算术。

此外，发布帖中还包含一项盲评，值得单独拿出来讨论，因为其方法有所不同。{{1}}Surge AI 进行了一次隐藏模型身份的编码质量盲测人工对比；专业标注员给 Mistral Large 4 Preview 打了 3.74 分（满分 1 至 5 分），在五个模型中排名第二，领先于 Kimi K3 的 3.59 分和 GLM-5.3 的 3.60 分，落后于 Claude Opus 5 的 4.22 分。{{/1}}由具名第三方主导的盲测小组，其证据等级不同于供应商自行挑选的分数，这也是公告中最值得持怀疑态度的读者重点参考的一个数字。

与 Mistral Large 3 相比，有哪些变化？请用三句话说明。

Mistral Large 3 是一个拥有 6750 亿参数的稀疏专家混合模型，活跃参数为 410 亿，具备 256k 上下文窗口、一个 25 亿参数的视觉编码器，以及今天即可下载的 Apache 2.0 权重。Mistral Large 4 在厂商规格卡上将总量提升至 1.05 万亿，活跃参数达到 520 亿，将标称上下文提升至 100 万 token，并为此前被 Mistral 描述为仅指令型多模态的模型加入了推理能力——这是种类上的变化，而不仅仅是规模上的变化。就目前而言，它的发布还缺少许可证和检查点，而正是这些让 Large 3 易于采用。

Artificial Analysis 将 Mistral Large 3 记录为已弃用，并将其弃用目标指向 Mistral Large 4，这是现有最清晰的信号，表明二者是同一位置的相继代次，而非并行的可选方案。Mistral 自家的定价页面也印证了这一点：Large 3 的输入价格为每百万 token 0.50 美元、输出为 1.50 美元，而 Large 4 列于其上方，且那一对促销价格已经就位。

比较集，作为索引而非裁决

本模型已有九个一对一对比页面，而本页刻意不重复其中任何一个。对于正在 Mistral Large 4 与其他模型之间做选择的读者，这些页面是 mistral-large-4-0-vs-claude-opus-5、-vs-deepseek-v4-pro、-vs-gemini-3-1-pro、-vs-glm-5-5、-vs-gpt-6-sol、-vs-grok-4-7、-vs-kimi-k3、-vs-minimax-m3 以及 -vs-qwen-3-8-max。实测需求恰恰落在这些页面上——mistral large 4 vs claude 有 78 次展示、11 次点击，vs opus 5.5 有 84 次展示、10 次点击——两者的转化率都远高于裸词，这正是把定义留在这里、把评判放在那些页面的理由。

值得点名的依赖是 mistral-large-4-0-vs-glm-5-5，因为 GLM-5.5 本身就是同一批次中的一个页面，这两篇文稿必须就同一项比较达成一致，而不是各说各话、彼此错过。列表上的其余内容都是稳定目标。

什么尚未确定

权重能否在十月底前落地，以及以何种许可证发布。还有促销定价能否挺过预览窗口期，因为标准价目表和发布价在三条线上都正好相差一半。这两点读者都不用问任何人就能自行核实：许可证和检查点要么会出现在 Hugging Face 上，要么不会；价目表要么仍然显示一个带删除线的数字，要么不会。

在那之前，这款模型所邀请你采取的姿态，正是它自己的阶段标签所暗示的那一种。就叫它这个名字，用你自己的工作负载来衡量它——包括 token 开销，而这正是发布文章略去不提的数字——并让生产路径继续依托于行为不会按计划改变的东西。预览不只是价目表上的一个标签。它意味着模型、许可证和账单都可能同时变动。

在 OrcaRouter，我们通过一个兼容 OpenAI 的端点路由 200 多个模型，按供应商的目录价、以 0% 加价原样传递——因此供应商调价，我们这边当天就是调价，无论落到哪个模型上。自动故障转移是应对预览阶段模型的另一半：它让一部分真实流量去接触尚未经过验证的模型，同时由已稳定的模型承接其余流量，这样一旦出现回退，流量会绕开，而不是把人叫起来。这两点都不是关于 Mistral Large 4 的说法，我们并不提供该模型。它们是为下一个模型——以及这个先于其许可证发布的模型——给出的答案轮廓。

这些都不是假设：本参考文档所依据的那些有据可查的 AI 故障与智能体事故，均收录于OrcaRouter AI 事件档案库，其中每一条记录都附有各自的来源、严重程度、置信度评级以及争议标记。