Mistral Large 4 对比 Qwen3.8 Max：一项被公布数据否定的领先主张

Mistral 为 Mistral Large 4 发布的文章称，其 Coding Agent Index 综合得分 49.8% 使其“领先于 DeepSeek V4 Pro 0813 和 Qwen3.8 Max”。Artificial Analysis 已经将 Qwen3.8 Max 纳入同一指数系列，其 Terminal-Bench 4.0 数据为 38.9%。Mistral 报告自家模型在该测试框架上为 28.3%。这两个数字都来自 Artificial Analysis——一个是公开的，一个是在该测试框架发布前私下得出的——却指向相反的方向。这并不是否定任一模型的理由。它恰恰是这场对比中最有用的一点，因为它明确告诉你，这两者中哪一个是你今天能够验证的，并且把价格问题尖锐地摆了出来：Qwen3.8 Max 每百万输入 token 收费 $2.00、每百万输出收费 $6.00，而 Mistral Large 4 为 $0.68 和 $2.09，前者大约是后者的三倍，而且在每一项已公布的指标上，Qwen3.8 Max 都是更强的模型。

两者都是同一目标上分别由 Alibaba 级和 Mistral 级玩家发起的尝试——一个原生多模态旗舰模型，支持约一百万 token 的上下文，并具备推理、工具调用和结构化输出能力——发布时间相隔九周，分别处于公开预览和正式可用状态。其中一个自 2026 年 8 月 3 日起持续交付，并拥有一整列独立评分。另一个于 2026 年 10 月 6 日亮相，承诺在月底前发布权重，其厂商称其强化学习训练仍在爬升。

已发表的专栏和承诺中的专栏

Qwen3.8 Max 是阿里巴巴迄今为止能力最强的层级，在其自家的迁移指南中，阿里巴巴直接将其对标 GPT-5.5、Claude Opus 4.7 和 Gemini 3.1 Pro。它原生支持文本、图像和视频的多模态输入并以文本输出，具备 1,000,000 个 token 的上下文窗口，其能力矩阵确认支持思考模式、函数调用、内置工具和结构化输出。它提供三种接口格式——兼容 OpenAI、兼容 Anthropic 以及原生 DashScope——服务区域覆盖北京、新加坡、东京、法兰克福及更多地区。

在 Artificial Analysis 上，它在 Intelligence Index v4.3.2 上得分 45.4，在 147 个模型中排名第 17；在 AA Coding 指数上得分 76.2，在 138 个模型中排名第 9，并与 Kimi K3 并列开放权重领域的榜首。它在 GPQA Diamond 上达到 92.8%，在长上下文召回上达到 80.3%，在 SciCode 上达到 52.1%，在 tau-banking 上达到 47.8%。其 Terminal-Bench 2.1 结果为 88.8%。

Mistral Large 4 是一个细粒度的混合专家模型，总参数达 1.05 万亿，其中激活参数为 490 亿，另配备一个 16 亿参数的视觉编码器；它在 Mistral 自有的欧洲数据中心内，使用 3800 块 NVIDIA Grace Blackwell GPU 从零开始训练，训练数据覆盖 160 多种语言。它支持约一百万个 token 的上下文，可处理文本和图像。其在 Artificial Analysis 上的页面以“Mistral Large 4 Preview”为标题，未给出 Intelligence Index 评分；权重承诺将于 2026 年 10 月底前发布。

• 智能指数 — Qwen3.8 Max 45.4（147 个中排名第 17） vs Mistral Large 4 尚未发布

• 编程指数 — Qwen3.8 Max 76.2（138 个中第 9 名）对比 Mistral Large 4 无可比数据

• Terminal-Bench 4.0 — Qwen3.8 Max 38.9%，对比 Mistral Large 4 的 28.3%，非公开评估

• Context window — Qwen3.8 Max 1,000,000 tokens vs Mistral Large 4 about 1,000,000

• 输入模态 — Qwen3.8 Max 的文本、图像和视频 对比 Mistral Large 4 的文本和图像

• 输入价格 — Mistral Large 4 每 1M $0.68 对比 Qwen3.8 Max 每 1M $2.00

• 输出价格 — Mistral Large 4 每 100 万 $2.09，对比 Qwen3.8 Max 每 100 万 $6.00

• 缓存输入 — Mistral Large 4 每百万 0.07 美元 vs Qwen3.8 Max 每百万 0.25 美元

• 权重——Mistral Large 4 承诺于 2026 年 10 月底开放许可，对比 Qwen3.8 Max 的闭源

• 已发布 — Qwen3.8 Max 2026年8月3日 vs Mistral Large 4 2026年10月6日，预览版

在可解决的限度内解决这一矛盾

Terminal-Bench 4.0 的那两个数字确实互相矛盾，而最可能的解释恰恰是最不戏剧化的那一个：它们是不同的运行。Mistral 的 28.3% 被描述为在评测框架公开发布之前由 Artificial Analysis 私下评测得出的，这意味着它可能是在发布前的评测框架上、以不同的推理强度或不同的采样设置测得的。Qwen 的 38.9% 则是在已发布的评测框架上、按 Artificial Analysis 所标准化的配置测得的。把这两者直接比较，就是拿草稿和最终版作比较，而看起来更差的正是草稿。

同样值得注意的是，这一矛盾究竟朝哪个方向切割。Mistral 声称在综合 Coding Agent Index 上领先——49.8%，领先于 Qwen3.8 Max——同时公布的 Terminal-Bench 4.0 成绩却比 Qwen 落后十个百分点。综合指数汇总了多项评估，因此两者可以同时为真，一个在 DeepSWE v1.1 上表现强劲（Mistral 报告为 61.7%）、在 Terminal-Bench 上表现疲软的模型，仍可能赢得平均值。但 Coding Agent Index 是公开的，其中读者唯一能核查的组成部分，恰恰是 Mistral 落后的那一项。这种不对称，无论朝哪个方向，都是理应引起怀疑的地方。

三倍的价格实际能买到什么

两件事，其中只有一件关乎性能。

视频才是实打实的差异。Qwen3.8 Max 原生支持视频，将其作为一等输入；Mistral Large 4 则不支持。Mistral 的多模态章节讲的是图像——对密集场景进行定位、在技术图纸中核验机械零件、从 PDF 中检索证据、扫描千兆像素级卫星影像——而这些都不需要动态画面。如果你的流水线要处理录像、演示或视频档案，那么价格对比就毫无意义，因为这两个模型中有一个根本没法接收你的输入。这是能力边界问题，而不是价目表上的差异，再怎么调价也改变不了这一点。

第二个是实证。Qwen3.8 Max 的 45.4 分指数得分、第 9 名的编程排名，以及其在 Terminal-Bench 2.1 上的 88.8%，任何人都可以在公开的测试框架上复现，只要愿意花这些 token。Mistral 的 ML4 则在代理式编程与自动化方面宣称了更高的上限：一场盲测人工评估中，它在感知的编程质量上略胜 Kimi K3 和 GLM-5.3；还有一项具体的网络安全声明——在 Artificial Analysis 的复现与打补丁测试中达到 82%，是所测模型中最高，且在 Cybench 上取得 93%。这些无一例外都是厂商自报或私下评估的结果。而一支必须向采购评审论证模型选型的团队，宁愿付三倍的溢价，换来白纸黑字的答案。

话虽如此，网络安全方面的表现是这一对比中唯一无法被更低价格抵消的一点，因为它是一种能力，而不是一种优势。Mistral 报告称，包括 Claude Opus 5.5 和 GPT-6 Astra 在内的若干领先闭源模型，在同一项“复现并修补”测试中得分接近于零，原因是它们拒绝执行该任务；而 ML4 在面对取自 JailbreakBench、StrongREJECT 和 AgentHarm 的网络安全提示词时，平均拒绝率高于其他开放权重模型，同时仍能完成工作。Qwen3.8 Max 未在该测试中被提及。如果你的工作涉及漏洞复现，那么问题不在于谁更便宜，而在于谁压根愿意干这活。

权重及其运行位置

这正是 Mistral Large 4 拥有的、Qwen 的三倍溢价也无法企及的一项结构性优势。Mistral 已承诺在 2026 年 10 月底前以开放许可证发布 ML4 的权重，并同时公布架构与后训练方法的细节。这会将按 token 计费的成本转变为一项资本决策：如果你拥有 GPU，就不再按 token 付费，不再把数据发送给第三方，也不再受制于他人的审核政策。Alibaba 的 Max 层级是封闭的、仅提供 API 的产品，且没有任何迹象表明这一点会改变。

地理因素是同一论点的另一种表述。Qwen3.8 Max 的服务节点包括北京、新加坡、东京和法兰克福等地——是真正意义上的全球布局，但由阿里巴巴运营。Mistral Large 4 的公开预览版运行在 Mistral 自有的欧洲基础设施之上，所处的是一个由 Mistral 端到端运营、独立于其他数字服务提供商的欧洲区域，并受欧洲法律管辖。对于受监管的欧洲买家而言，尽管这两款模型在同一座城市都能获得，这两句话所支撑的采购结果却大相径庭。Mistral 的 30 亿欧元 D 轮融资——欧洲科技公司有史以来规模最大的股权融资——正是为了给这一差别提供资金，而 ML4 就是它的首个交付成果。

跨两种可用性形态的路由

这对组合的不寻常之处在于，这两个模型的差异不仅体现在价格和能力上，也体现在接入方式上。Qwen3.8 Max 支持 OpenAI 兼容、Anthropic 兼容以及原生 DashScope 协议，覆盖多个区域；而 Mistral Large 4 只是来自单一运营商的单个预览端点。要在应用代码中把这些差异统一起来，是实打实的工作量，而且这类工作往往起步时不起眼，却会随着供应商每一次改动而不断膨胀。

两者都位于 OrcaRouter 上同一个兼容 OpenAI 的端点之后，加价 0%，这正是本文中的价格差能够保持稳定、而非只是某一时刻快照的原因：供应商的标价原样透传，因此当 Mistral 结束其预览价、或阿里巴巴调整 Qwen 的价格时，你的路由规则据以评估的数字也会随之而动。路由 DSL 正是两个模型的不同强项汇成同一个调用面的地方——带视频的请求交给 Qwen3.8 Max，图像和文档类工作交给 Mistral Large 4，而任何必须守住严格预算的任务先发给 ML4，当组合指数这一说法在真实任务中确实重要时，再以 Qwen 作为升级方案。在这一组合中，自动故障转移的价值比大多数情况下都更高，因为其中一条腿是上线首月的预览版 API，另一条则是你无法做容量规划的封闭层级。当 49.8 对 76.2 的编码问题在你的工作负载上确实难有定论时，模型融合可以让两者在同一提示上运行、由一个评审面板来裁决，这比把一场评比跑两遍更便宜。

判决

Qwen3.8 Max 在所有已公布的数据上都是更好的模型。其 45.4 的指数得分、76.2 的编程指数以及在 Terminal-Bench 4.0 上的 38.9%，均与其他所有模型基于相同的版本，它支持视频输入，已经上市两个月，并且可通过三种通信格式从五个区域访问。如果性能与可验证性是决定性因素，那么三倍的价格就是一款已交付、经过实测的旗舰模型应有的成本。

Mistral Large 4 在价格上以约三倍的优势胜出，在缓存读取上以超过三倍的优势胜出，在替代方案会拒绝的网络安全工作上胜出，也在 Qwen 无法回答的两个论点上胜出：承诺在十月底前开放权重，以及由 Mistral 端到端运营的欧洲部署。49.8% 的 Coding Agent Index 成绩正是能一锤定音的东西——如果这个数字在公开测试框架上先于 Qwen 落地，那么更便宜的模型就会变成更好的模型，溢价也随之消失。如果没能做到，那就是 Mistral 在为一个人工智能模型卖预览价，而这个模型还落后于一个已经发布的竞争对手；诚实的说法是，你买的是路线图，而不是模型。

关注三个时间节点。2026年10月底，届时ML4的权重要么正式发布，要么开放权重的说法会有所松动。Artificial Analysis Coding Agent Index的发布，届时Mistral的私有评测与Qwen的公开得分将在同一列中交汇。以及预览期的结束，无论Mistral何时宣布，因为0.68美元和2.09美元只是发布价，任何预测都不应假定它能挺过权重发布。