Mistral Large 4 对比 Gemini 3.1 Pro：八个月，两个方向

Gemini 3.1 Pro自2026年2月19日上市以来，至今仍在各大综合能力榜单上名列前茅，包括那些将其与今年秋季发布的模型进行对比的榜单。Mistral Large 4最多只有三周历史——它是一款于2026年10月6日发布的预览版，权重承诺在10月底放出，且未提及任何许可证。在Artificial Analysis的智能指数中，10月6日读取的数据显示，已有八个月历史的Gemini 3.1 Pro得分为29.7，而这位新来者则为38.4。这是本次对比诚实的起点，而它与发布日期所暗示的情形恰恰相反。

这个解释并不神秘。Gemini 3.1 Pro 是 Google 从未推向稳定版发布的预览线旗舰，而 Artificial Analysis 为它设立的页面标注的正是"Gemini 3.1 Pro Preview"——同一个页面上，一个较低的指数与顶级的 GPQA Diamond 成绩并列。这是一款为广度而生的模型：超大的上下文窗口、广泛的模态覆盖，以及在知识类问题上表现强劲的推理能力。Mistral Large 4 则是为一张完全不同的世界地图而构建的，其定价也与之相称。

每一个是什么

Gemini 3.1 Pro 是 Google 的前沿多模态推理模型，API id 为 gemini-3.1-pro-preview，具有 1,048,576 个 token 的上下文窗口和 65,536 个 token 的输出上限。它接受文本、图像、视频、音频和文件。它由 OrcaRouter 的目录以 Google 自己的费率提供服务。Google 的文档中没有列出非预览版的 Gemini 3.1 Pro；预览名称就是该产品。

Mistral Large 4 是一个拥有 1.05 万亿参数的稀疏专家混合模型，激活参数为 490 亿，并配备一个专用的 16 亿参数视觉编码器，以“Mistral Large 4 Preview”的名称提供，API ID 为 mistral-large-4-0。Mistral 的文档称其上下文窗口为 100 万 token；Artificial Analysis 在其测试的配置上读数为 524,288。最大输出未公布。Mistral 称其为迄今规模最大、能力最强的模型，并表示权重将于 10 月底发布。

这些数字，附有其出处

两个模型都有独立的页面，因此下面的比较属于同一测试框架内的比较，而不是厂商之间的对比：

• 智能指数 v4.3 — Mistral Large 4 Preview 38.4 对比 Gemini 3.1 Pro 29.7

• 每个索引任务的成本 — 1.13 美元 vs 1.30 美元

• 长上下文推理 — 81.3% 对比 82.0%

• GPQA Diamond — 预览版未公布，对比 94.1%

• 人类的最后考试 — 35.0% 对比 47.0%

• Terminal-Bench 4.0 — 26.8% 对比 4.0%

• SciCode — 54.2% 对比 58.7%

• AutomationBench，业务工作流 — 59.9% 对 35.4%

• MMMU-Pro，多模态推理 — 76.4% vs 82.4%

• 上下文窗口 — 标称 1M / 实测 524,288，而实际提供 1,048,576

• 输出上限 — 未公布，对比 65,536 个 token

• 每百万 token 价格，输入 / 输出 — 标价 $1.36 / $4.18，优惠价 $0.68 / $2.09，而 20 万 token 以下为 $2.00 / $12.00，20 万以上为 $4.00 / $18.00

• 权重 — 已承诺，许可证未具名，对比专有

最引人注目的一行是 Terminal-Bench 4.0。Gemini 3.1 Pro 得分 4.0%——不是笔误，也不是表格里的幻觉：它反映的是一个来自二月的模型，被放在一个晚于它出现的终端智能体测试框架上运行。Mistral Large 4 的 26.8% 在同一测试中高出六倍。任何因为一个旧的智能体编程分数而排除 Gemini 的人，都应该基于其 GPQA Diamond 重新把它纳入考虑；任何因为指数排名而排除 Mistral 的人，都应该先看看终端那一行。

Gemini 3.1 Pro 在哪些方面仍占据优势

知识与广度。94.1% 的 GPQA Diamond 是本文中出现的最高数值，无论哪一方都是如此，而它是一项研究生水平的科学基准——不是模型靠嘴上功夫就能刷出来的数字。Humanity's Last Exam 上 47.0% 对 35.0%，以及 SciCode 分数略胜这位新来者，都说明了同一件事。如果你的工作负载是依靠一个知识语料库准确回答高难度问题，那么 Gemini 3.1 Pro 在发布八个月后依然是更强的模型。

模态广度是第二项优势。Gemini 3.1 Pro 除了文本和图像外，还能处理视频和音频。Mistral Large 4 则只接受文本和图像。如果你的流水线需要摄入会议录音、屏幕录制或传感器音频，那么这里只有一个模型能看到完整的输入内容。

输出上限是第三点。65,536 个 token 是一个已公布且有保证的上限；Mistral 根本没有为预览版公布任何上限。在发布公告中，没有什么比未说明的输出限制更有可能在生产环境中让你栽跟头。

而 Gemini 的上下文窗口是实打实地按 1,048,576 个 token 提供的，相比之下，Mistral 的 1M 只是厂商宣称的数字，独立实测为 524,288。对于运行在窗口最远端的工作负载来说，标称数字与实测数字之间的这点差别，就意味着要推倒重来。

Mistral Large 4 改变决策之处

智能体工作，尤其是任何涉及终端的事情，正是这两个模型不再具有可比性的地方。Mistral 自己的发布文章将 DeepSWE v1.1 上的 61.7%、SWE-Atlas-QnA 上的 59.4% 和 Terminal-Bench 4.0 上的 28.3% 汇总为一个 49.8% 的 Coding Agent Index，并明确表示，在这一综合指标上，它领先于 DeepSeek V4 Pro 0813 和 Qwen3.8 Max。用 Mistral 的话说，这三个数字是 Artificial Analysis 在其评测框架公开之前私下评估得出的；它们尚未出现在公开指数上，在出现之前应被标注为厂商发布。

独立证据也指向同一个方向。在 AutomationBench——涵盖 Gmail、Sheets、Slack 和 Salesforce 的 657 个业务工作流——上，Mistral Large 4 得分 59.9%，领先于 Kimi K3、MiMo-V2.6-Pro 和 DeepSeek V4 Pro；而在同一测试框架上，Gemini 3.1 Pro 完全没有出现，因为该基准测试的发布时间晚于它。Surge AI 开展的一项盲测人工研究将 Mistral Large 4 Preview 在编程质量上评为五款模型中的第二，得分为 3.74，领先于 GLM-5.3 和 Kimi K3，仅次于 Claude Opus 5。

网络安全方面的说法是 Mistral 博文中最尖锐的一点，值得准确引述：在 Artificial Analysis Cyber Index 测试中——该测试要求模型复现一个真实漏洞并随后修补它——得分为 82%，被描述为所有模型中最高的；在 Cybench 的 40 项竞赛练习中得分为 93%；Mistral 还声称，它在 Cyber Index 总榜上位列全球前五，同时在非中国开发的开放权重模型中领先。这些是厂商在独立指数上引用的数据。它们的实际优势在于，Mistral 构建这个模型是为了让它去做这件事，而不是拒绝去做。

表中最低的一行同样属于 Mistral，但优势很微弱：每项任务 1.13 美元对 1.30 美元，这 13% 的领先来自促销价，而标准价目表会将其抹平。Gemini 3.1 Pro 是按 2026 年定价的 2026 年模型，用它跑一项索引任务并不算贵。

没人评测的决胜关键

有两件事在起作用，而表格无法体现。第一件是许可授权。Gemini 3.1 Pro 是专有模型，并将一直如此；Mistral Large 4 是一个预览版，其全部卖点就在于它会成为一个可下载的产物，让你能在自己的政策下、在自己的硬件上、依据欧洲法律运行——Mistral 在自己的数据中心用 3,800 块 Grace Blackwell GPU 训练了它，并在那里提供预览服务。在代码仓库出现、许可证有了名字之前，这个论点一文不值。而等到那一天，它就价值巨大。

第二点是运营风险。仍在完善中的预览版会在你脚下发生变化。在 OrcaRouter 上，这次比较的双方都可以通过同一个兼容 OpenAI 的端点，按提供商标价、以 0% 加价访问——Gemini 3.1 Pro 已按 Google 的价格在目录中上线，而 Mistral Large 4 必须通过 Mistral 自己的 API 和若干第三方平台访问，因为它不是我们提供的路由。这里有用的一环是路由 DSL：把分类和抽取发给当周更便宜的那个模型，把难处理的残余升级出去，让自动故障转移去承受预览版的不顺日子，而不是让你的待命轮值去承受它们。

裁决

要问的是工作负载是什么，而不是哪个模型更好。对于知识工作、音频和视频输入、有保障的输出上限以及可用的百万 token 窗口而言，Gemini 3.1 Pro 仍然是更强的模型，它的“老”不是缺陷——而是其他人已经用八个月时间摸清它边界的积累。对于智能体编程、终端工作和安全运营，Mistral Large 4 领先的幅度足够大，以至于指数排名会产生误导，而且它是两者中唯一可能最终实现自托管的。

值得关注的胜负手是十月底。如果权重以宽松许可证发布，Mistral Large 4 就不再在价格上与 Gemini 3.1 Pro 竞争，而是开始在控制权上与它竞争，而那是另一场不同的较量。如果权重以限制性许可证发布，本文的答案不会有太大变化——但理由会变。