Mistral Large 4 对比 GPT-6.1 Sol：一个可下载，一个只能租用

几乎所有关于 Mistral Large 4 与 GPT-6.1 Sol 的公开网络对比，引用的都是那些在10月27日就已不再存在的数字。页面显示的是38和52。Artificial Analysis在那一天将其智能指数重建为v5系列，重新运行了模型，现在公布 Mistral Large 4 为26，而 GPT-6.1 Sol 为55。这并非任一模型发生了变化——而是采用了不同的测评工具，包含九项评估而非旧有的一套，且组合难度大大增加——但这确实意味着你可能读到过的十四点差距，现在纸面上是二十九点，并且与重建之前的任何数据都不可比较。跨指数运行的比较是该领域最常见的错误，在争论其他任何事情之前，把当前这对数据弄准确是值得的。

让这场对比比单纯的分数差距更有意思的是，从今天早上起，这两个产品就不再属于同一类东西了。GPT-6.1 Sol 自 OpenAI 于 2026 年 9 月 29 日以每百万 token 2.00 美元和 10.00 美元的价格发布以来，一直是个租用的模型；你可以调用它，却无法拥有它。Mistral Large 4 于 2026 年 10 月 6 日预览，2026 年 10 月 29 日 14:51 UTC 公开了它的权重——FP8 格式 1,060.6 GB，NVFP4 格式 610.1 GB，可自由下载，采用修改版 MIT 许可证。其中一个模型的计价器永不停歇。另一个的计价器则在你买下硬件的那一天停止计费。这才是真正的决策所在，而基准测试表不过是它的下游产物。

两款产品，两个日期，其中一个已完成

这种不对称并不是对成熟度的吹毛求疵——它改变了哪些问题值得问。GPT-6.1 Sol 是一个已发布、有文档、经过独立测评的模型，已有十家 API 提供商针对它列出。它的价格表已经确定，其 100 万上下文有文档说明，它在 OpenAI 产品阵容中的位置低于 Astra 旗舰，而非居于顶端。Mistral Large 4 作为 API 预览版度过了二十三天，而今天它变成了一个文件。其托管价格表已确定为每百万 token 输入 $0.70、输出 $2.10，而它的未来如今部分掌握在运行它的人手中，而不在 Mistral 的路线图中。

真正重要的六行

两边使用相同的维度、同一个评估工具，数据分别读取自 Artificial Analysis 的两个模型页面以及厂商自家的文档，日期为 2026 年 10 月 29 日：

• Intelligence Index — GPT-6.1 Sol 55（v5 系列，在其对比类别中位列 54 个中的第七）；Mistral Large 4 26（在另一个类别中位列 19 个中的第八——这两个排名并非同一尺度）。

• 每个 Index 任务的成本 — GPT-6.1 Sol $1.27；Mistral Large 4 $2.06。

• Token 价格 —— GPT-6.1 Sol 每百万 token 输入 $2.00 / 输出 $10.00，输入超过 272,000 token 时为 $4.00 / $15.00 档；Mistral Large 4 输入 $0.70 / 缓存 $0.07 / 输出 $2.10。

• 输出速度 — GPT-6.1 Sol 每秒 79.1 个 token；Mistral Large 4 为每秒 161.3 个。

• 上下文 — 两者均为 100 万 token，且均有文档记录。

• 部署 — GPT-6.1 Sol：仅提供托管服务，任何价格均不提供权重。Mistral Large 4：可托管或自托管，NVFP4 格式下为 610.1 GB，已发布的 vLLM 方案中使用八块 Blackwell 级 GPU。

该指数是一个平均值，而平均值会掩盖差距的形态。在 Artificial Analysis 的各单独行中，这种差距的分布并不均匀，并非所有项目都同样糟糕：HLE-Diamond 为 17%，对比为 59%；Terminal-Bench-Science 0.1 为 4%，对比为 58%；FrontierCode 2.0 为 15%，对比为 41%；Terminal-Bench 4.0 为 25%，对比为 56%；GDPpdf 为 18%，对比为 31%。Mistral Large 4 并不是在每个任务上都落后 29 个百分点；它在奖励持续多步推理的评估中落后很多，而在较短的单轮工作上大致持平。如果你的工作负载像第二类，那么平均值就不是应当作为选购依据的数字。如果它像第一类，再大的折扣也弥补不了这一差距。

为什么数字发生了变化，以及为什么这算不上丑闻

v5 重建在一套全新的评估集上重跑了全部参评模型，其中约 60% 是私有的——即重建之前未曾公开的问题。模型并未全部朝同一方向变化：有的大幅下滑，有的上升。Mistral Large 4 从 38 跌到 26、GPT-6.1 Sol 从 52 升到 55，这是同一事件的两种读数，两者都不是哪家厂商季度表现糟糕。由此得出的规则很简单，却也极易被无意打破：绝不要把一次指数评测的分数与另一次评测的分数相减，也绝不要引用两半相隔一周才测出的差距。今天真实存在的差距，是在同一套测量工具上的二十九个点。

二十九分是个不小的差距，而且这还不是全部。Index 为 26 描述的是一个在通用工作上胜任、但在高难度端表现平平的模型；Index 为 55 描述的则是现有最强模型之一。如果你面对的是大型代码仓库上的智能体式编码工作负载，答案已经确定，任何价格方面的理由都改变不了它。本文余下部分讨论的是那些答案尚未确定的工作负载。

这次反转在变基后依然保留。

十月预览期唯一在新测评工具下依然成立的发现，是每任务价格倒挂，而且最新数据也证实了这一点。Mistral Large 4 的输入费率约为 GPT-6.1 Sol 的三分之一，输出费率约为其五分之一，但完成同一评测任务仍贵 62%——2.06 美元对 1.27 美元。这不是定价把戏。推理模型的账单主要取决于它选择输出多少 token，而 Mistral Large 4 的输出量很大：Artificial Analysis 在其冗长度样本中记录到 1.1 亿输出 token，而中位数为 1 亿；GPT-6.1 Sol 则为 6400 万，低于中位数。更便宜的 token 乘以更多 token 并不是节省，账单会说明这一点。

实际结论比"便宜模型其实很贵"要更有限。对于短输出任务——分类、抽取、路由，以及任何在两百个 token 之后就结束、从不进入推理循环的任务——token 价格就是全部账单，0.70 美元对 2.00 美元就足以说明一切。这种反转真正发力的地方是长程推理，而那也正是二十九个百分点差距所在之处。两种不同的测量指向同一方向，这是相信这个方向的理由，而不是把它推广到所有工作负载的理由。

速度朝相反的方向奔去，耐心也是如此。

Mistral Large 4 的输出速度是对方的两倍以上：每秒 161.3 个 token，而对方为 79.1 个。它还能在 1.42 秒内返回首个 token，略优于其对比组 1.68 秒的中位数。GPT-6.1 Sol 公布的首个回答 token 时间为 249.48 秒，而中位数是 3.53 秒——这种数字需要的是解释，而不是直接引用。

这 249 秒几乎肯定不是网络意义上的延迟。它是模型在最大推理强度下测得的、在输出第一个答案 token 之前用于推理的时间，也是诚实展示长推理预算会让等待中的用户付出什么代价的方式。我们自己的路由数据把这个区别具体化了：在截至 10 月 29 日的七天里，通过 OrcaRouter 承载的 5.847 亿个 GPT-6.1 Sol token 中，首个流式 token 的 p50 时间为 1.36 秒，而 p95 为 10 秒。第一个 token 很快到达；需要数分钟的是第一个答案，而 API 中的标志决定你的用户会体验到哪一种。如果你的应用流式输出推理 token，等待期间就有内容填充，因而可以容忍。如果它不这样做——如果用户一直盯着加载指示器直到第一个答案到达——那么四分钟的首 token 就是一个产品约束，任何基准测试分数都无法弥补；而一个 1.4 秒内回答的模型，会比一个 Index 分高出二十九分的模型感觉更好。这正是更便宜、分数更低的模型在真实部署中最常胜出的维度，而它不会出现在任何对比表中。

今天早上发生了变化：计量结束了

直到今天，Mistral Large 4 的自托管理由还只是一个承诺，而承诺经不起采购审查。如今它已经是一个代码仓库：两个检查点、一份许可证文件，以及一份由厂商发布的服务方案——vLLM 采用张量并行度 8 和 FP8 MLA KV 缓存，SGLang 采用 tp-size 4，两者都内置 DSpark 草稿头用于投机解码，而不是依赖第二个模型。

这换来的并不是更便宜的 token——而是 token 作为成本单位的终结。在自有硬件上，账单会变成折旧、电力、机架空间，以及拥有该集群的工程师；而一个以高且稳定用量运行的工作负载，会从可变成本转变为固定成本。对于一家有数据驻留规则的欧洲银行、一家采购规定禁止外国推理的国防承包商，或一家将模型嵌入产品线五年的制造商来说，这正是理由。对于流量尖峰明显且没有运维团队的初创公司来说，这就不是理由：610 GB 的权重、八块 Blackwell GPU 和一个 1M token 的 KV 缓存是一个资本项目，而在很长一段时间里，托管服务 0.70 美元的费率都比这笔资本更便宜。

许可证是大家常常跳过的部分。它是一份修改过的 MIT 许可证，其中有一项条款很关键：将权重作为模型即服务（model-as-a-service）产品提供，需要从 Mistral 获得单独的商用许可证。不过要仔细读定义——它排除了嵌入式最终用户产品以及“仅将请求转发至他人托管的模型”的情形，因此，把流量转发给 Mistral 托管推理服务的网关属于被排除在外的情形，而自建推理集群并转售访问权的公司则不属于。如果你的计划是“下载它然后成为服务提供方”，请在拿到硬件报价之前先读一读这项条款。

在每种情况下，每一个实际上都是正确答案

• 智能体编程、长时程工具使用、大型仓库作业 —— GPT-6.1 Sol。Index 差距恰恰在这里最大，而溢价正是为“做对”所付出的成本。

• 高吞吐量、短输出的抽取与分类——Mistral Large 4，输入价格为每百万 token $0.70。推理上限从不启用，因此 Index 差距从不适用。

• 受监管、受司法辖区约束的部署——选择 Mistral Large 4，并非因为它更好。GPT-6.1 Sol 无论出价多高都无法自托管，比较到此为止。

• 交互式助手：首个 token 就是产品——Mistral Large 4 在速度上胜出，除非你以流式方式输出推理内容并能承受等待。

• 防御性安全工具——Mistral Large 4，其依据是供应商报告的针对恶意网络请求 96.6% 的拒绝率，以及 Mistral 围绕其发布所组织的一套网络基准。这些数字来自 Mistral，而非独立实验室，在有人重新跑一遍这些数据之前，应将其视为宣称。

• 凡是答案必须正确、延迟预算又很宽裕的场景——GPT-6.1 Sol。二十九个百分点可不是四舍五入的误差。

如果你打算两者都运行

像这样的比较，混合部署是正常结果，而运营层面的问题就变成：两个截然不同的模型如何共用一张账单。 GPT-6.1 Sol 已接入 OrcaRouter，价格与 OpenAI 的官方标价完全一致——每百万 token 2.00 美元和 10.00 美元，超过 272K 的档位为 4.00 美元和 15.00 美元——以 0% 加价路由，因此你看到的价格就是 OpenAI 收取的价格。Mistral Large 4 不在我们的目录中：214 个模型，没有 Mistral 端点，如果你想调用它，就得去用 Mistral 自己的 API，或你自己的 vLLM 部署。该平台在托管侧真正提供的是路由 DSL——将工作负载指向一个模型，并在无需更改代码的情况下迁移——以及自动故障转移，而正是它让在生产路径上尝试新模型这件事变得可承受。把自托管端点按同样的模式接入之后，这个比较的两部分就不再是你必须一次性做出的决定。

两个问题，不是一个

对比页面会告诉你，GPT-6.1 Sol 胜出；而在两个模型共用的唯一独立评测工具上，它也确实胜出——55 对 26，每完成一个任务成本低 62%，输出速度则仅略高于对方的一半。这就是对“哪个模型更好”的正确回答；如果这是唯一的问题，市场早在九月就会把这件事定下来。

今天早上开场时提出的问题已经不同了：三年后，在你掌控的硬件上、依据你读过的许可证，你还能继续运行哪个模型？对许多团队来说，答案仍将是“两个都不选，我们租用”——那么 GPT-6.1 Sol 就是更好的租用方案。对那些受制于所有权而非能力的团队来说，得分 26 的模型今天不再是一种妥协，而成了桌面上唯一的选择。这两个答案都可能正确，因此真正有意思的工作不是挑选赢家，而是判断你的组织实际在问哪个问题。