Mistral Large 4 对比 Claude Opus 5.5：唯一的正面交锋数据针对的却是错误的版本

唯一存在的、针对Mistral Large 4与Claude Opus 5.5的盲测正面比较，是拿它们其中一个的上一代版本作为基准测出来的。Surge AI 隐去了模型身份，让专业标注员按 1–5 分给代码输出打分；Mistral Large 4 Preview 以 3.74 分在五个模型中排名第二，落后于Claude Opus 5（4.22 分），领先于 3.59 分的 Kimi K3 和 3.60 分的 GLM-5.3。Claude Opus 5.5 于 9 月 22 日发布，因此这对组合所能找到的、最接近已发表人类评测的对比，比对手当前版本还要早三周，而且没人重新跑过。其余方面都可对比，且都指向同一个方向：在 Artificial Analysis 的 Intelligence Index 上，Mistral Large 4 Preview 为 38.4，Claude Opus 5.5 为 58——在 216 个模型中排名第一——而完成单个指数任务的成本分别为 1.13 美元和 5.98 美元。

这两点事实构成了这个决定的整体轮廓。能力差距很大，而且截至这个版本，比之前更大。成本差距略高于五倍，并且在 Anthropic 降价时没有变化。

据 Anthropic 自己所说，Claude Opus 5.5 是什么

Claude Opus 5.5 是 Anthropic 当前的旗舰模型，于 2026 年 9 月 22 日发布，定位于长周期智能体任务：多步骤会话、大量工具调用以及代码。其标价为每百万输入 token 4 美元、每百万输出 token 20 美元，缓存读取为 0.20 美元，缓存写入为 5 美元——Anthropic 称这些价格在输入和输出上比 Opus 5 低 20%，在缓存读取上低 60%。另有一个 Fast 模式，价格为 8 美元 / 40 美元，该公司称其在 Claude Code 和 Claude Platform 中运行速度最高可提升至 2.5 倍。它已在 Amazon Web Services、Google Cloud 和 Microsoft Azure 上提供，并提供零数据保留选项，Anthropic 表示 Claude Sonnet 5.5 和 Claude Haiku 5.5 将在未来几周内跟进。

那个页面上有两个细节比其余内容更重要。第一个与其说是功能，不如说是一项迁移约束：Anthropic 表示，Claude Opus 5.5 不再提供关闭思考模式的配置。如果你当前的流水线以非思考模式调用 Opus 5，用于低成本、快速、确定性的轮次，那么这一配置在该模型中没有直接的后继方案。第二个是 Anthropic 自己在其分数旁写下的告诫：基准测试的领先幅度，作为判断现实世界差异的指南，已经变得不那么可靠——对于一个正在一张它取胜的表格旁写下这种话的厂商来说，这很不寻常；当你阅读下面的数字时，值得直接采信这一点。

Anthropic 公告中由厂商报告的数据为：Terminal-Bench 4.0 为 66.4%，FrontierCode v1.1 为 54.4%，CursorBench 4.0 为 57.8%，GDPval- A v2.1 为 1,846 Elo，AutomationBench 为 40.0%，Humanity's Last Exam 在使用工具时为 67.7%，Terminal-Bench-Science 0.1 为 58.7%，OSWorld 2.1 为 81.8%（部分完成）。所有这些都是 Anthropic 自己运行的，对比模型的分数取自各厂商自己的页面，而且其中没有任何一项针对这一配对或其他任何配对经过独立复现。

截至10月13日，Mistral Large 4 是什么

Mistral Large 4 是于 2026 年 10 月 6 日宣布的公开预览版，修订版本为 v26.10，也是 Mistral AI 迄今发布的最大模型。该公司将其描述为一个原生多模态稀疏专家混合模型，总参数达 1.05 万亿，激活参数为 520 亿，外加一个 16 亿参数的视觉编码器，在 Mistral 自有的欧洲数据中心内，使用 3,800 块 NVIDIA Grace Blackwell GPU 从零开始训练，训练数据涵盖 160 多种语言。Artificial Analysis 记录的激活参数为 490 亿，而非 520 亿——在某一维度上存在 30 亿的差距，是予以注明而非取平均值。Mistral 自己的模型卡标明 100 万 token 上下文窗口；Artificial Analysis 在其测试的配置上读到的是 524,288，其 FAQ 则写的是 520k，这就是厂商宣传的上限与实际提供服务的部署真正交到你手中的窗口之间的差别。

定价为每百万输入 token 1.36 美元、缓存输入 0.14 美元，每百万输出 4.18 美元，价目表上还有一项发布促销：同样这三行被划掉，标为 0.68 美元、0.07 美元和 2.09 美元。卡片上的状态标签写着 Public Preview、Open 和 v26.10——其中第二个才需要仔细琢磨。Mistral 表示权重将于本月底发布，发布文章两次重申了这一承诺；但它没有做的是给出许可证名称。Artificial Analysis 独立追踪这一领域，将许可证名称记录为 null，把该模型标记为 isOpenWeights: false，并将其归类为专有。这里没有任何人自相矛盾。一个由厂商自家集群提供服务的预览版，既没有检查点仓库，也没有许可证文本，那它是一个可调用的模型，而不是开放权重的发布；而开放权重的说法是一份附带截止日期的计划，而不是一个下载链接。

Mistral 自身的基准测试数据——这些数据全程由厂商自行报告——在 DeepSWE v1.1 上为 61.7%，在 SWE-Atlas-QnA 上为 59.4%，在 Terminal-Bench 4.0 上为 28.3%，综合 Coding Agent Index 为 49.8%；在 657 个业务流程上的 AutomationBench 中为 59.9%；在 AA-Briefcase 上为 1,393 Elo；在用于视觉定位的 Dense 200 上为 42%；而在其网络安全评估中，一项被 Mistral 称为所有模型中最高的复现并修补测试上为 82%，同时在 Cybench 的 40 项竞赛练习中为 93%。该公司还委托并发布了一项盲测人类研究，这是比自行开展的基准测试更有力的证据形式，但仍然是一项发布受其控制的研究。

5.5 版本的升级给这个决策带来了什么改变

如果你读过本博客上 Mistral Large 4 与 Claude Opus 5 的对比页面，这里有三个新变化，其中只有一个是降价。

• 能力差距扩大了，而非缩小。Claude Opus 5 在 Intelligence Index 上得分 50.8；Claude Opus 5.5 得分 58。对比 Mistral Large 4 Preview 的 38.4，差距从 12.4 分拉大到 19.6 分。一次版本升级让榜首提升七分，而挑战者原地踏步，这让前沿赛道成为更清晰的选择，而非更模糊的选项。

• 降价并没有体现在账单上。Anthropic 将输入和输出价格下调了 20%——从 $5 / $25 降至 $4 / $20——但 Artificial Analysis 完成一项指数任务的成本却上升了，从 Claude Opus 5 的 $5.86 升至 Claude Opus 5.5 的 $5.98。更便宜的 token 是被一个用得更多的模型消耗掉的。这是本页最有用的一个数字，值得细细琢磨：标价只是你账单的输入项，而不是对账单的预测。

• 一种配置消失了。在 Opus 5.5 中，思考模式已无法再关闭。如果你当初购买 Opus 5 的部分原因是为了获得一条低成本的非思考路径，那么这个模型并不能替代那条路径，而且现在的替换决策变成了涉及两个模型的选择，而不是简单的版本更替。

没有变化的是：在重复上下文方面，缓存这件事依然对 Anthropic 更有利——缓存读取为每百万 0.20 美元，而 Mistral 的标价是 0.14 美元、促销价是 0.07 美元。在带有稳定前缀的长上下文智能体循环中，这一行才是最能推动账单变化的项目，而这两个数字都需要接受主推价格刚刚经历的那种同样审视。

榜单上最啰嗦的两个模型

Artificial Analysis 会为每个模型的索引运行发布输出 token 数量，而这里的两个模型正是该数据分布的两个极端。Claude Opus 5.5 在那次运行中生成了 2.6 亿个输出 token。Mistral Large 4 Preview 生成了 2 亿个。所测模型的中位数是 8500 万。两者回答相同问题时的消耗都是典型模型的两到三倍，而其中只有一个在这样做时每百万收费 4 美元和 20 美元。

冗长不是缺陷，也不是质量信号。它是价格上的一个乘数，也是 Opus 降价已经落地、却未能触及每任务成本的原因。如果你只依据价目表做预算，那也要把乘数算进去：在每百万输出 $20 的情况下，一个输出量达到中位数三倍的模型，相对于表现处于中位数的模型，其实际输出费率接近每百万 $60；而在一个评估套件上累计 2.6 亿个 token，绝不是可以忽略不计的舍入误差。

记分牌

• 每百万 token 价格，输入 / 输出 — Mistral Large 4 标价 $1.36 / $4.18，促销价 $0.68 / $2.09，对比 Claude Opus 5.5 $4.00 / $20.00

• 缓存输入 — 标价 $0.14，促销价 $0.07，对比每百万次读取 $0.20 和每百万次写入 $5.00

• 每项智能指数任务成本 — 1.13美元对5.98美元，据Artificial Analysis

• 智能指数 — 38.4，216 个中排名第 65；对比 58，216 个中排名第 1，据 Artificial Analysis

• 该索引运行中的输出 token 数——200M 对比 260M，而中位数为 85M

• 上下文窗口 — Mistral 声称 1M，但在测试配置下为 524,288；相比之下，Artificial Analysis 对 Claude Opus 5.5 的解读为 1M，而其发布页面未给出任何一方的数字

• 最大输出 — 两家供应商均未公布

• 实测速度 — Mistral Large 4 Preview 未公布，对比 95.2 个输出 token/秒，采用 $8 / $40 的 Fast 模式，Anthropic 称最高可达 2.5 倍

• 权重与许可证——承诺在十月底前发布，但许可证名称未公布，目前被 Artificial Analysis 标记为专有，与闭源相对

• 可用性 — Mistral 的预览版 API 和 Mistral Studio，依托 Mistral 自有的欧洲基础设施提供服务，对比 AWS、Google Cloud、Azure 和 OrcaRouter 目录

Mistral Large 4 何时是正确之选

当工作量巨大、任务定义明确且核验成本低廉时，就选 Mistral Large 4。分类、抽取、大规模摘要、结构化输出生成、首轮代码审查，以及那些答错了只是重试一次、而非酿成故障的长尾内部任务。以每项索引任务 1.13 美元对 5.98 美元计算，一条每月运行一百万项任务的流水线并不需要什么精妙的论证来证明便宜模型的合理性；它需要的是这个便宜模型足够好。而在 AutomationBench 上——也就是考察模型完成普通业务工作流的那一行——Mistral 自己报告的 59.9% 与 Anthropic 在同一测试框架上为 Opus 5.5 报告的数字不相上下。不同的运行、不同的厂商，所以应把它当作一个信号而非结论来看待，但这一行最接近业务部门实际要求模型去做的事。

Mistral Large 4 也是这对模型当中，具备可信自主部署路径的一方，而对某些读者来说，这比一个基准分数更有价值。承诺在十月底前发布权重，并不等于权重已经到手；一个未具名的许可证，也不等于许可证。因此，这是一个值得关注的理由，而不是今天就迁移的理由。但在此处的两个模型中，它是唯一一个能让数据驻留或事件中途访问的论证以“我们自己运行它”收尾的模型。欧洲训练与服务的故事，也记在这本账的同一侧。

何时该选 Claude Opus 5.5

当任务耗时长、步骤相互依赖、出错代价高昂时，选择 Claude Opus 5.5。Terminal-Bench 4.0 是这一对比中最鲜明的分界线——Anthropic 报告 Opus 5.5 取得 66.4%，而 Mistral 自家模型在同一测试框架下为 28.3%——终端操作也是最接近智能体编程（agentic coding）的公开替代指标，而团队购买前沿模型，大部分正是为了这类工作。19.6 个百分点的 Intelligence Index 差距，加上接近 2.4 倍的 Terminal-Bench 差距，同样说明：在困难的一端，这并非势均力敌的较量；如果你的工作负载正属于此类，任何价格论点都无法弥合这一差距。再加上 100 万 token 上下文、实测每秒 95.2 tokens（对方则未公布相应数据）、面向延迟敏感路径的 Fast 模式，以及在三大主流云上可用且零数据留存——这些溢价换来的是实实在在的运维余量。

实际问题是，你是否每次调用都需要用到全部高端能力。大多数大规模运行前沿模型的团队发现，少数请求——那些真正存在多步骤歧义的请求——消耗了大部分能力，而其余请求并不如此。这是一个路由决策，而不是模型决策，也正是同时运行两者才是真正答案的场景。Claude Opus 5.5 已收录于 OrcaRouter 目录，按 Anthropic 的目录价提供，0% 加价，并与另外 200 多个模型位于同一个兼容 OpenAI 的端点上，因此尝试两者只需一个密钥，而不需要再签一份供应商合同。Mistral Large 4 目前不在我们的目录中——它通过 Mistral 自家的预览 API 以及若干第三方平台接入——这是对我们目录情况的如实陈述，而不是软发布公告。

对于预览版而言，真正值得加入的功能是故障转移。将一部分流量发送给一个其许可、权重和所服务的上下文都仍是未决问题的模型，意味着有用的失败模式是重新路由，而不是服务中断；而且你是在自己的数据上、而不是在别人的排行榜上了解该模型的真实失败模式。

起决定作用的那一个事实

还没有人在指定的测试框架上，以匹配的设置让 Mistral Large 4 和 Claude Opus 5.5 进行过正面基准对比——唯一存在的盲测人工评分是对比 Claude Opus 5 得出的，而你要对比选择的版本并不是 Claude Opus 5——因此，今天做决策的诚实依据是：便宜模型每完成一项任务的成本只有五分之一，而昂贵模型大约领先二十个指数点，在 Terminal-Bench 上领先近 2.4 倍，并且这还是 Anthropic 下调了标价、却没有降低单任务成本之后的价格。

如果工作负载中一次失败回答的代价低于 4.6 次重试，就买 Mistral Large 4。如果高于这个数，就买 Claude Opus 5.5——而如果你目前还无法回答这个关于自身流量的问题，那就把两者部署在同一个端点上，让一个月的真实请求替你给出答案。