Mistral Large 4 对比 Claude Fable 5.1：十七个指数点与十二倍的输出价格

这场对决的问题在2026年10月29日变了，并不是因为 Mistral Large 4 变聪明了。那天下午，这个模型不再是一个租用的预览版，而变成了一个 1.06 TB 的下载文件，这意味着与 Claude Fable 5.1 的比较不再只是关于哪个模型回答得更好，还关于你能忍受哪种限制。Claude Fable 5.1 是一个每百万输入 token 收费 10 美元的模型，你可以通过 API 调用它，却永远无法拥有、微调或在自己的硬件上运行它。Mistral Large 4 是一个万亿参数的混合专家模型，你现在可以拥有、适配并部署在自己的网络内，但许可证明确禁止你将其作为服务转售。一个是合同。另一个是附带条款的下载。

在能力层面，两者的差距并不接近，这一点值得在开始讨论价格之前先说明。Artificial Analysis 的 v5 智能指数给 Claude Fable 5.1 打出 43 分，给 Mistral Large 4 打出 26 分。在同一套评测工具上，这是十七分的差距；而且这一差距经得起关于指数版本的各种合理质疑，因为这两个数字都是 v5 版本的读数——Fable 5.1 的分数来自实时排行榜，Large 4 的分数则来自 Mistral 在其自家模型卡片上引用的数字。如果重新运行该指数，两个数字都会变动，但排序不会变。

差距实际显现的地方

公开基准测试与该指数结果一致，这很不寻常。下面两组数据均由厂商运行，且均未经过独立复现，因此应把它们视为地位相同的声明，而不是不同质量的证据。

• Terminal-Bench 4.0 —— 据 Anthropic 称，Claude Fable 5.1 为 55.8%；据 Mistral 称，Mistral Large 4 为 41%。两家厂商都使用了自己的测试框架，而且 Anthropic 自己报告的数值在某些报道中显示为 58.1%，因此两列中的精确小数都不太确定。

• 长程科学——Claude Fable 5.1 在 Terminal-Bench-Science 0.1 上达到 52.6%，这是 Anthropic 最突出的宣称，而另一家实验室的表格后来对同一模型给出的数字要低得多。Mistral Large 4 没有可比的已发布行，这本身就说明问题：该模型定位为编码和安全，而非研究级智能体科学。

• Humanity's Last Exam——Claude Fable 5.1 在不使用工具时得 60.9%，使用工具时得 65.0%。Mistral 公布了其十月预览版在同一基准上的成绩为 35.0%。该预览数字早于为期三周的 RL 和最终检查点，因此低估了已发布模型——但这是双方就 HLE 给出的唯一数字。

• 安全相关工作——在这一领域，Mistral Large 4 是更有说服力的例证：经过强化学习后，它在 CyberGym-E2E 上达到 79%，在其 B3 智能体安全套件上达到 97.1%。Anthropic 的模型对这类工作更多是拒绝，而不是做不好；这既是政策差异，也是能力差异，不应被解读为能力差距。

• Token 效率 —— Mistral 自己的说法是，在 Artificial Analysis 的 Coding Agent Index 上，该发布模型与 GLM-5.3 得分持平于 48%，但每项任务所需的 token 数量比 GLM-5.3 少 47%。厂商在公布基准分数的同时，也一并公布成本一侧的数据，这样的行实属罕见，而这是两列中最有用的数字。

一个看似是倒退、实则并非如此的数字

Mistral Large 4 的预览版在 Artificial Analysis 的指数上得分 38.4。正式发布版得分 26。随意比较这两个数字的读者会得出结论：三周强化学习让模型退步了十二分。事实并非如此。38.4 是在 v4.3 指数上记录的；Artificial Analysis 在 10 月下旬重建了其指数，而 v5 重建版是一个全面更严苛的衡量工具——在 v4.3 上处于五十多分的模型，在 v5 上处于四十多分。这两个数字并不是对同一事物的测量，而将它们相减是本次发布报道中最常见的错误。

同样的警示也适用于41%的Terminal-Bench成绩。Mistral报告的是在额外强化学习之前为28.3%，之后为41%，这确实是在同一套测试框架上取得的同口径提升。但41%相对于Claude Fable 5.1的55.8%而言，绝对分数仍然偏低，无论怎样用"进步"的框架来包装，都改变不了这一排序。

比差距更能决定成败的许可条款

Mistral Large 4 以 Mistral Ecosystem Open-Weight License 发布，公司称其为修改版 MIT 文本。实际上，它授予四项权利，但保留一项：

• 商业使用，无收入门槛——不存在“你必须低于 X 百万美元才能使用”这样的限制。

• 微调与衍生模型，正是这一条款使零日强化学习工作得以开展的根本所在。

• 内部部署与本地托管——Mistral 整个发布都围绕这一“主权 AI”卖点展开。

• 嵌入产品内部，并设有例外条款，涵盖嵌入式使用以及仅转述输出内容的情形。

• 未授予：在其上运营模型即服务业务。如果你想搭建按 token 计费的 API 端点并出售访问权限，你需要与 Mistral 另行签订商业协议。

Claude Fable 5.1 没有对应的问题，因为它没有对应的授权。你得到的是一个 API、服务条款和一项速率限制。你拿不到权重，无法进行微调，而且无论出多少钱，都无法把模型放进物理隔离的网络里。Anthropic 的条款又加上了自己的限制，方向如出一辙：在供应商自家的 API 上，零数据留存必须获得专门授权，不支持强制工具调用，而且思考功能无法关闭。让同一个模型经由签署了零留存协议的提供商来路由，是团队规避其中第一项限制的办法。对于那些受监管的买家来说，这些限制的分量，是十七分的指数差距所无法比拟的。

成本，附带关于冗长性的注意事项

先列出标价，因为促销价格会到期，而合同里写的是标价。

• Claude Fable 5.1 — 每百万输入 token 10.00 美元，每百万输出 50.00 美元，缓存读取降至每百万 0.25 美元。批量定价将两者减半，分别降至 5 美元和 25 美元。

• Mistral Large 4 — 标价为每百万输入 1.36 美元、每百万输出 4.18 美元，目前约半价优惠至约 0.68 美元和 2.09 美元，且未公布截止日期。

按标价，输入是 7.4×，输出是 12×。按当前促销价，则接近 15× 和 24×。两者都足够大，以至于对任何有真实用量的人来说，价格问题都比基准问题更重要，而这正是这组对比会被写出来的真实原因。

需要注意的是冗长问题，而这是一个真实存在的问题。在预览版的 Artificial Analysis 指数测试中，Mistral Large 4 生成的输出约为 2 亿个 token，而榜单中位数接近 8500 万。按 token 计费会以该倍数放大。将同样的 2 亿个输出 token 分别跑过两个模型，按促销价计算，Mistral Large 4 为 418 美元，而 Claude Fable 5.1 按标价为 10,000 美元。这一倍数在冗长问题面前依然成立——它会缩小，但不会反转——不过，任何人只引用每 token 比率而不核查模型实际输出多少 token，都只是引用了半个数字。发布版本的检查点是否与预览版同样冗长，尚无测量；Mistral 声称其额外强化学习带来了 30% 的输出 token 减少，这正是公司自己对这一问题的回答。

每个实际能被调用的地方

这是对比中两个模型不再对称的部分。Claude Fable 5.1 在 OrcaRouter 目录中作为anthropic/claude-fable-5.1提供，具备 1M token 上下文、$10/$50 定价，以及按供应商标价原样传导的降低后缓存读取费率——不在其上额外加价，因此供应商价格变动当天就会生效。Mistral Large 4 不在该目录中。我们不提供它，本文也不是通往它的途径：已发布的模型托管在 Hugging Face 上，并位于供应商自有 API 之后。直白说明这一点，比暗示并非如此更有用。

在实践中这意味着什么，取决于你站在许可证的哪一边。如果你想要一个能在自己的硬件上运行、可端到端审计，并能用 LoRA 适配器进行适配的模型，那么这两者中只有一个可供你使用，而十七个百分点的差距就是这种控制权的代价。如果你想要每次调用都得到最强的回答，并且从不打算拥有任何东西，那么这两者中只有一个才是认真的选项，而十二倍的输出价格就是这种能力的成本。置于单一密钥之后，并为每条路由配置故障转移，这是同一决策的运营版本：它让你可以默认使用昂贵的模型，并在无需第二份合同的情况下回退到更便宜的模型。

该选哪个

如果你的工作是长周期智能体执行、重度终端编码，或研究级推理——其中错误答案的代价高于一个 token——那就选 Claude Fable 5.1。对于 55.8% 的 Terminal-Bench 成绩，要保留“由厂商自行运行”这一限定，但要认真对待其排序：Mistral 公开发布的任何内容都没有把 Mistral Large 4 放进同一档位。

如果约束是法律或地理层面的，而不是智力层面的，就选择 Mistral Large 4。一家无法跨境发送提示词的欧洲企业、一个需要让拒绝策略脱离主流程的安全团队、一个必须将模型打包进自身二进制文件的产品——这些问题没有一个能靠更好的索引分数解决，而它们全都能靠 610 GB 的无门槛 NVFP4 权重以及一份允许内部微调的许可证解决。

如果诚实的答案是你有两个约束不同的工作负载，那就两者都不选，并在它们之间进行路由。这正是价格差距旨在制造的情形，也是大多数团队会落入的情形。

悬而未决的问题

能改变这一比较的数字，并不在任何一方的幻灯片上。它是在 Artificial Analysis 的 v5 指数上对已发布检查点进行的独立重跑，因为当前的 26 来自 Mistral 引用第三方，而不是对最终权重的新测量。如果三周的强化学习和减少 30% 的输出 token 能显著改变这个数字，差距就会缩小，价格论点也会更有力。如果不能，那么已发布的模型就是表现更得体的预览版，而那十七个点就是结构性的。

在那一轮评测出现之前，站得住脚的立场是那个最无趣的：Claude Fable 5.1 是更好的模型，Mistral Large 4 是更好的许可证，而只有两者都需要的人，才会觉得这是道难以取舍的选择。