Mistral Large 4 与 Llama 4 Maverick：是代际差距，而非价格差距

Mistral Large 4 和 Llama 4 Maverick 属于同一类对象，但并不属于同一代对象。两者都是稀疏混合专家模型；模型卡上都标着 100 万 token 上下文窗口；都能同时接受图像和文本；也都可以下载后在自己的硬件上运行。Maverick 于 2025 年 4 月 5 日发布，总参数 4000 亿，激活参数 170 亿。Mistral Large 4 于 2026 年 10 月 6 日预览，10 月 29 日发布权重，总参数 1.05 万亿，激活参数 520 亿。两者相隔 19 个月。按 Maverick 托管市场的中位价格计算，两者成本也只相差约 1.3 倍；对于一款这么老的模型来说，这几乎不是任何人预期会听到的。

在细说注意事项之前，先给出简短的回答

如果你在 2026 年末启动一个新项目，需要推理、长文档处理或智能体编程，那么 Mistral Large 4 是更好的模型，也是更贵的那个。如果你需要一个可微调、可在气隙环境中运行，或者能在简单的抽取任务上以每请求不到一美分的价格调用的开放权重模型，Llama 4 Maverick 仍然是一个站得住脚的选择——不是因为它在能力上具备竞争力，而是因为这类工作负载可能根本不需要那么强的能力。真正的错误在于把 19 个月的差距当成一场对决。它只是一个恰好与对方同处一个类别的价格档位，而价格那部分比能力那部分更令人费解。

并排的数字

• 总参数量——Mistral Large 4 为 1.05T，分布在 128 个路由专家加 1 个共享专家之上；而 Llama 4 Maverick 为 402B，分布在 128 个专家之上，Meta 将其列为 400B。

• 活跃参数——Mistral Large 4 上每个 token 为 52B（语言栈为 49B，计入嵌入层和输出层后达到 52B），而 Llama 4 Maverick 上为 17B，因此每 token 的计算量差距约为三比一。

• 上下文 — 两者都宣称支持 1M tokens；而主机实际提供的数量则是另一个数字，后文会对此进行说明。

• 模态——两者均支持文本和图像输入、文本输出。Mistral Large 4 的视觉编码器有 1.6B 参数；Maverick 的早期融合编码器未在 Meta 公布的数据中单独列出。

• 推理 — Mistral Large 4 提供低、中、高三档努力程度阶梯，默认使用高档。Artificial Analysis 的规格面板将 Llama 4 Maverick 列为完全没有推理模式。

• 每百万价格——直接从 Mistral 购买为输入 $0.70、输出 $2.10，缓存输入为 $0.07；而 Maverick 根本没有第一方标价，因为 Meta 并不出售它。托管商收费低至输入 $0.17、输出 $0.60；Artificial Analysis 给出的提供商中位数为 $0.50 和 $1.68。

• 许可证 — Mistral Ecosystem Open-Weight License（一份带有模型即服务除外条款的修改版 MIT 许可证），对比 Llama 4 Community License 及其 7 亿月活跃用户门槛。

• 发布日期——Mistral Large 4 检查点为 2026 年 10 月 29 日，而 Llama 4 Maverick 为 2025 年 4 月 5 日，知识截止日期为 2024 年 8 月。

基准之争发生在两把不同的尺子之间。

搜索这场对决，你会发现有些页面声称 Mistral Large 4 在 Artificial Analysis Intelligence Index 上得分为 38.0，而 Maverick 为 14.3；另一些页面则声称 Maverick 在十一项基准测试中赢了九项。这两组数字之所以算真实，是因为确实有人把它们印了出来。但两者都不是真正的比较。

在 2026 年 10 月 27 日重建的当前 Artificial Analysis Intelligence Index v5 上，Mistral Large 4 在高推理设置下得分为 26，在中等设置下为 23。你看到被引用的 38.0 是它在上一版 v4.3.2 构建（来自 10 月预览版）上的得分，不能从重建后测得的任何数值中减去——改变的是指数，而不仅仅是模型。与此同时，Maverick 根本没有 v5 指数得分。其 Artificial Analysis 页面在应显示智能分数的位置显示“N/A”，旁边是 62.7 输出 token/秒的速度，并注明它比同类平均速度更慢。比较网站上流传的 14.3 这个数字早于此次重建。

可衡量的范围更窄，也更诚实。Mistral 报告 Terminal-Bench 4.0 上为 41%，高于预览版的 28%；DeepSWE v1.1 上为 61.7%；CyberGym-E2E 上为 79%；Artificial Analysis Cyber Index 上为 51，在开放权重模型中排名第三。除 Cyber Index 外，这些指标每一项都是由厂商在 Mistral 自己的智能体脚手架上报告的，尤其是 Terminal-Bench 的数字，当相同权重运行在 Artificial Analysis 中立的 mini-swe-agent 测试框架上时，复现结果要低得多——24.7%。Maverick 公布的数字来自 2025 年 4 月，使用的完全是一套更旧的测试套件：MMLU 85.5、MMLU-Pro 80.5、GPQA Diamond 69.8、DocVQA 91.6，均为 Meta 在发布时报告。两者没有在同一共享测试框架中运行过，因此唯一站得住脚的说法是方向性的：更新、更大、经过推理训练的模型在困难任务上更好，但至于好多少，还没有人在这两者之间做过清晰的测量。

在每一项上，一百万 token 实际能换来什么

上下文窗口是这两个模型看起来最相似、而在生产环境中表现却差异最大的地方。

Llama 4 Maverick 的模型卡写着 1,048,576 个 token，Artificial Analysis 的规格面板也重复标注为 1M。实际上，大多数托管商把它限制得低得多——128K 很常见——而且几乎没有哪家会同时给你完整窗口和可用的输出额度。Maverick 的最大输出通常为 8K 到 16K，具体取决于提供商，而 Meta 自家托管端点的标注约为 4K。因此，Maverick 上的“1M 上下文”版本通常是第三方托管商上的 128K 版本，而你要到第一份长文档时才会发现这一点。

Mistral Large 4 通过 Mistral 自有 API 公布 1M，这至少是一个可问责的单一数字，而不是因主机而异的抽奖。Mistral 的文档未公布最大输出数值，因此同样的建议适用：在你实际会调用的端点上测量这一对——输入窗口与输出上限——而不是看规格卡。

这正是路由器存在的意义。OrcaRouter 以 0% 加价率直接传递提供商的标价，并在提供商之间自动故障转移，因此某个悄悄缩减上下文窗口的主机会体现为一项路由决策，而不是一次生产事故。目前我们的目录中既没有 Mistral Large 4，也没有 Llama 4 Maverick，所以这讨论的是如何运行你所选定的任一开放权重模型，而不是声称我们提供这两款模型。

账单算清了——以及为什么价差才是关键

以一个适中的生产工作负载为例：每月 1 亿输入 token 和 4000 万输出 token。

• 按标价计算，Mistral Large 4 — 100 × $0.70 为 $70，40 × $2.10 为 $84，每月共 $154。

• 按提供商中位数计算的 Llama 4 Maverick——100 × $0.50 为 $50，40 × $1.68 为 $67.20，每月合计 $117.20。

• 在具有竞争力的主机上运行 Llama 4 Maverick——约为 $0.25 和 $0.92，使相同工作负载的费用为 $61.80。

• 最便宜的主机上的 Llama 4 Maverick——约为 $0.17 和 $0.60，使其达到 $41。

因此，与 Mistral Large 4 相比的比率，从中位数的 1.3 倍一直到市场底部的约 3.8 倍。这个范围不是模型本身的属性，而是你从哪里购买 Maverick 的属性，并且它比两个模型在分布中部的差距还要大。一个在廉价主机上做基准测试、却按中位数做预算的团队，已经把自己的预测内置了 3 倍误差。

把这一点与你目前无法逐对衡量的能力放在一起看，决策就不再是算术题了。合理的框架是每完成一项工作的成本，而不是每 token 的成本：如果 Mistral Large 4 一次就能完成一项在 Maverick 上需要三次尝试外加一个修复循环的任务，那么连 1.3× 的中位数差距也会消失。这是一个你必须用自己的任务去验证的论断，也是这个月能让这两个模型中的任何一个经历的最有价值的单项实验。

没人说出口的事实：Maverick 是最后一个开源的 Llama

Llama 4 Maverick 尚未被弃用。它仍在 Hugging Face 上，仍遵循 Llama 4 社区许可证，并且仍被广泛部署于本地部署和离线隔离的工作环境中。但它是一个系列的终点。Meta 的前沿开发已于 2026 年转向闭源的 Muse Spark 系列，且 Llama 5 并未发布——那些声称已发布 Llama 5 的页面所载规格彼此矛盾，也与 Meta 自己的公告不符。对开放 Llama 路线的投入实际上已经停止。

这会改变“选择 Maverick”的含义。它不是在选一个会不断改进的模型；而是在选一个将保持原样、而其周边工具链却在缓慢漂移的模型。对于一个经过微调、冻结且已部署的系统来说，这没关系——甚至可以说是优势，因为不会有任何东西在你脚下变动。但对于一个你打算在其上发展的平台来说，这是一条只有两年跑道的死路。请注意，知识截止时间是 2024 年 8 月：该模型从未见过那之后发生的任何事情，再多的提示工程也无法解决这个问题。

Mistral Large 4 的风险特征正好相反。作为开放权重版本，它发布仅六天，其文档仍将其标注为公开预览版，而且如果你打算在其上转售推理服务，其许可证要求签订商业协议。年轻且多变，条款需要在你基于其上构建业务之前仔细阅读。

Maverick 仍能胜出的地方

三起案件，而且都不是小案子。

首先是硬件。Maverick 的 400B 参数在 FP8 下约占 373 GB，正好能放进单个八卡 H100 或 H200 节点。Mistral Large 4 的 FP8 检查点约为 1.06 TB，分布在 54 个分片中；Mistral 表示，量化后的 NVFP4 版本可在四块 B200 或 B300 GPU 上运行。如果你的部署环境是你已拥有的机架中的单个节点，那选择就已经替你做好了。

第二点是微调。Maverick 已经积累了十九个月的社区 LoRA、量化方案和部署指南。Mistral Large 4 才只有六天。生态差距真实存在，而且衡量它的是调试小时数，而不是基准测试。

第三是任务形态。分类、抽取、路由、短文档摘要、大规模图像描述——这些都不需要万亿参数的推理模型，而它们在 17B-active 的模型上都会更便宜。为你从不使用的推理 token 支付溢价，是团队在模型选型上浪费金钱最常见的方式。

如果你想要一款当前的开源权重模型，而它不属于这两者，那么 OrcaRouter 目录中收录了 Kimi K3 和 GLM-5.3-Flash，二者都能用与我们路由的 200 多个模型相同的 API 密钥调用，按提供商标价、无加价。它们框定了这次对比的范围，而不是身处其中——GLM-5.3-Flash 的标价为输入 $0.15、输出 $0.50，远低于这里的任一模型，而 Kimi K3 的标价为 $3.00 和 $15.00，远高于两者。二者都不能替代本文中的这两个模型，但如果在本文所比较的两端都不合适，它们就是两个最显而易见的备选方向。

如何在一个下午内做出决定

从日志中拉取二十个真实任务。用相同的提示词和相同的输出上限让两个模型都跑一遍，并评估其输出是否无需人工编辑即可使用。记录每个任务消耗的 token 数，乘以上面的价格，再除以可用输出的数量。这样得到的就是每个可用结果的成本，而这是唯一经得起预算考验的数字。

我的预期——这是预期，而非发现：Mistral Large 4 会赢下那组任务中难的一半，并在容易的一半上因成本而落败；分界点会落在你的任务不再需要多步推理的地方。Maverick 并不是更好的模型。它只是在成本中位数上更便宜，只要便宜就够用——而在十九个月没有后继模型之后，这是一个到期日清晰可见的赌注。