Mistral Large 4：它是什麼、要價多少，以及 Mistral 自家卡片上仍空白的那一行

Mistral Large 4是 Mistral AI 的旗艦通用模型，也是 Mistral Large 3先前所佔據的 Large 系列之巔——一款原生多模態的專家混合模型，Mistral 自家文件形容它有 1.05 兆總參數、520 億啟用參數、一個 16 億參數的視覺編碼器、100 萬 token 的上下文視窗，以及每百萬輸入 token 1.36 美元、每百萬輸出 token 4.18 美元的價目表價格。API 名稱為 mistral-large-4。價目表上沒寫的，正是許多讀者前來尋找的東西：Mistral 自家模型頁面上的授權標章寫著「Open」，接著卻什麼也沒指名，而且沒有可下載的檢查點儲存庫。這是該模型截至 2026 年 10 月 13 日的描述。

開場的框架很重要，所以先講在前頭。Mistral 於 2026 年 10 月 6 日宣布 Mistral Large 4 公開預覽，本部落格已刊出那則新聞，以及隨之而來的九個捉對比較頁面。真正一直缺席的，是它們底下那個樸素的頁面。這道缺口是量測出來的，不是憑空假設：截至 10 月 13 日的二十八天內，這個單純名稱在我們自家網站上取得 3,141 次曝光與 68 次點擊，分散於五個查詢詞，而它下方那些帶限定詞的列——artificial analysis為 129 次曝光，preview為 122 次，benchmark為 84 次，ollama為 70 次——全都很少。另一方面，比較型的列，轉換表現比這個單純詞彙好上數倍，這正是比較頁面會先寫的原因。這一頁，是為那位輸入了名稱、只想知道這東西究竟是什麼的讀者而寫的。

這個名字，以及那個4-0就在我們自己的網址裡的

Mistral 將該模型寫作 Mistral Large 4。其發布貼文除了這個名稱外，還提供兩個非正式稱呼——「ML4」和「le Chonk」——而其說明文件從一個可透過以下兩個位址抵達的頁面提供模型卡：mistral-large-4 與 mistral-large-4-0。卡片本身的徽章顯示 mistral-large-4，而模型選擇指南將 mistral-large-4 列為 API 名稱，因此不帶尾零的形式是供應商目前使用的名稱，而尾隨的零則是沿自發布日連結的舊有別名。

這值得用一句話來說明其中的一致性，因為這裡已發布的每個頁面都採用 4-0 的形式——預覽文章、代管頁面以及全部九篇比較文章都歸檔在 mistral-large-4-0-* 之下。那些網址所指向的，正是本頁所描述的同一款模型。本頁只是採用廠商對參考條目的拼寫方式，因此從單純名稱來到這裡的讀者，會以其製造商目前印行的名稱認識這款模型。

Mistral 卡片上的這三個狀態標籤值得一起讀，因為它們用三個詞道盡了這個模型的整體處境：公開預覽、開放，以及v26.10。第一個表示服務配置仍可能變動。第二個是開放權重的宣稱。第三個是修訂版本，而且是三者中唯一單純只是事實的一項。

規格，如 Mistral 所述

下列清單中的所有內容，都是 Mistral 在其模型卡、模型選擇指南與發布文章中自己的措辭。若獨立實驗室對同一個數字的解讀不同，該解讀會直接在該行標明，而非被平均進去。

• 參數 — 總計 1.05 兆，其中 520 億為活躍參數，採用細粒度稀疏混合專家架構。發布貼文將總數四捨五入為「1 兆參數」；模型卡則給出 1.05T 的數字。Artificial Analysis 記錄的活躍參數數量為 490 億，而非 520 億，這在同一維度上相差 30 億。

• 視覺編碼器——16 億個參數，用於一個 Mistral 形容為原生多模態、而非事後才針對圖像調整的模型。

• 模態——文字與圖像輸入、文字輸出，並包含推理。Mistral 的選擇指南將輸出歸類為「推理、文字」，而 Artificial Analysis 則將其記錄為推理模型，並註明可能也存在非推理變體。發布貼文自身的產品卡稱其為「混合式指令與推理 MoE」。

• 上下文視窗 —— Mistral 的模型卡上標示為 100 萬個 token。Artificial Analysis 在其測試的組態上讀取到 524,288 個 token，這正是廠商上限與實際服務視窗之間的差異。

• 價格 — 每百萬輸入權杖 $1.36 美元、快取輸入 $0.14 美元、每百萬輸出 $4.18 美元，此為 Mistral 公布定價頁面上的資訊。該頁面同時有一項上線促銷活動，將同樣這三行以 $0.68、$0.07 和 $2.09 的價格劃掉顯示。

• 語言 — 訓練資料涵蓋超過 160 種語言，包括歐盟所有官方語言，根據 Mistral 自身的說法。

• 授權條款 — 未命名。下文會再詳細說明，因為這是整頁中最關鍵的一處空白。

授權與權重：這個版本實際發布了什麼

Mistral Large 3 以 Apache 2.0 授權推出。它在 Hugging Face 上的模型卡在中繼資料中帶有授權標籤，其權重可下載為 FP8、NVFP4 與 BF16 格式。Mistral Small 4 與 Ministral 3 的各個規模同樣是 Apache 2.0，而 Mistral Medium 3.5 則列為 Modified MIT。這些都不會轉移。授權條款要看的是你眼前這個發行版本，而在 Mistral Large 4 上，廠商尚未寫下任何授權條款。

Mistral 自家介面上的三個位置都顯示出這個空白，而讀者可以在瀏覽器中逐一查看：

• docs.mistral.ai 上的模型卡帶有一個授權標籤，該標籤只顯示單字「Open」，並未附上任何授權名稱。

• 模型選擇指南——Mistral 為挑選其模型的開發者所發布的並排對照表——設有一欄「授權條款」，而相鄰的每一列都填有內容：Mistral Small 4 為 Apache 2.0，Mistral Medium 3.5 為 Modified MIT，Mistral Large 3 為 Apache 2.0。Mistral Large 4 那一列的「授權條款」欄位卻是空白的。

• 模型卡上的權重分頁顯示「即將推出」。

獨立追蹤同一領域的 Artificial Analysis，將 Mistral Large 4 的授權名稱與授權 URL 記錄為 null，把該模型標記為 isOpenWeights: false，並將其歸類為專有。這個標記並不與 Mistral 的行銷說法相矛盾；它陳述的是當前實際存在的情況。從供應商自家叢集提供的預覽版，既沒有儲存庫也沒有授權條文，是可呼叫的模型，而非開放權重的發布。

Mistral 所承諾的是一個日期：「我們會在本月底前釋出權重」，這是發布文章自己的說法，同時還有關於架構、額外基準測試與後訓練方法的進一步細節。在此之前，該公司表示正與經過審核的合作夥伴及國家主管機關進行紅隊測試窗口。該組織的 Hugging Face 帳號，於 10 月 13 日查看時，仍沒有任何比 10 月 8 日更新的內容，而且這兩筆項目也都不是 Large 系列的檢查點。

因此，對於當今這項開放權重主張，準確的描述是：它是一項附有期限的計畫，由一個過去曾在此層級發布過 Apache 2.0 權重的實驗室所提出。這是一個比含糊承諾更強、但比下載連結更弱的立場。這兩者之間的區別，正是本節存在的全部理由。

Mistral Large 4 在哪裡運行，以 Mistral 的說法

Mistral 表示，預覽版 API 可在 Mistral Studio 上使用，且該模型「可在全球多個地區使用，包括由 Mistral 端到端營運的歐洲部署，獨立於其他數位服務供應商，並受歐洲法律規範」。該公司也表示，預覽版是在該模型訓練時所使用的相同基礎設施上提供服務——也就是其自家歐洲資料中心內的 3,800 個 NVIDIA Grace Blackwell GPUs——並表示該模型將能針對其鎖定的工作負載，在私有雲或地端環境中運行。這些都是供應商就其模型運行地點所做的陳述，歸屬於供應商，而非我們。

另外，明確地說：Mistral Large 4 不在 OrcaRouter 的目錄中。我們的即時模型清單，於 10 月 13 日讀取，提供 207 個模型識別碼，而其中沒有任何一個是 Mistral 系列的模型，無論是以 mistral-large-4、mistral-large-4-0 或任何其他拼法。此處並未宣稱任何路由，本段內容亦不應被解讀為任何此類主張。

有一個部署問題是本頁不會再回答的，那就是 Ollama 的清單收錄。Mistral Large 4 在該資源庫中是以單一雲端標籤的形式出現，而不是可下載的尺寸階梯，這是一個獨立的故事，有自己的專門文章——mistral-large-4-ollama-cloud-only——而若是為了想知道自己能否把權重拉到本機上而來的讀者，應該讀那一頁，而不是這一頁。

基準測試數據，以及由誰執行

Mistral 的發布文章報導了一組密集的分數，且異常明確地指出其中哪些並非由該公司自行執行。在代理式編碼方面，它列出 DeepSWE v1.1 的 61.7%、SWE-Atlas-QnA 的 59.4%，以及 Terminal-Bench 4.0 的 28.3%，合併成 49.8% 的 Coding Agent Index 分數；文章稱這使該模型領先 DeepSeek V4 Pro 0813 與 Qwen3.8 Max。在代理式工作流程方面，它報告在涵蓋 657 個商業工作流程的 AutomationBench 上達到 59.9%；在長時程知識工作方面，它報告在 AA-Briefcase 上達到 1,393 Elo。在其資安評估方面，它報告在 Artificial Analysis Cyber Index 上位居前五名、在被描述為所有模型中最高的重現並修補測試中達到 82%，以及在 Cybench 的 40 項競賽練習中達到 93%。在多模態接地方面，它報告在 Dense 200 上達到 42%，而 GPT-6 Astra 為 41%。所有這些都是廠商回報的數字；其中一些在文章中被描述為由第三方在該測試框架公開前進行評估，這比自行執行的數字具有更強的來源可信度，但仍不是已發表的數字。

這些獨立數字更單薄，卻也更有用。Artificial Analysis 在其 Intelligence Index v4.3 上給 Mistral Large 4 Preview 評分為 38.4，這使該模型高於同類比較群體的中位數，並在該指數的 216 個模型中排名第 65。同一頁面指出，執行一項 Intelligence Index 任務的成本為 $1.13，並記錄了發布文章完全未提及的一件事：該模型在指數運行期間產生了 2 億個輸出 token，而中位數為 8,500 萬，在冗長度上於 114 個模型中排名第 107。一個品質高於平均、但每個答案花費的 token 遠高於平均的模型，會以頭條分數無法體現的方式改變帳單的計算。

發布貼文中還有一項盲測評估值得與其他內容區分開來，因為其方法不同。Surge AI 在隱藏模型身分的情況下，針對程式設計品質進行了一項人類盲測比較；專業標註員在 1 到 5 分量表上給予 Mistral Large 4 Preview 3.74 分，在五個模型中排名第二，領先 Kimi K3 的 3.59 分與 GLM-5.3 的 3.60 分，落後 Claude Opus 5 的 4.22 分。由具名第三方主持的盲測小組，屬於與供應商自行挑選的分數不同類別的證據，而這是公告中抱持懷疑態度的讀者最應該看重的一項數據。

與 Mistral Large 3 相比有什麼改變？請用三句話說明。

Mistral Large 3 是一款擁有 6750 億參數的稀疏專家混合模型，具備 410 億個活躍參數、256k 上下文視窗、25 億參數的視覺編碼器，以及你今天就能下載的 Apache 2.0 權重。Mistral Large 4 在廠商公布的規格中將總參數提高到 1.05 兆、活躍參數達 520 億，並把宣稱的上下文提升到 100 萬個 token，還為一個 Mistral 先前描述為僅限指令微調的多模態模型加入推理能力——這是種類上的改變，不只是規模上的改變。它目前推出時，也少了讓 Large 3 得以輕鬆採用的授權條款與檢查點。

Artificial Analysis 將 Mistral Large 3 列為已棄用，並將其棄用目標指向 Mistral Large 4，這是目前最明確的訊號，顯示兩者是同一位置的前後世代，而非並行的選項。Mistral 自家的定價頁面也印證了這一點：Large 3 的價格為每百萬個 token 輸入 $0.50、輸出 $1.50，而 Large 4 則列於其上，並已套用促銷價組合。

比較集合，作為索引而非定論

這個模型已經有九個正面對決的比較頁面，而本頁刻意不再重跑其中任何一個。對於要在 Mistral Large 4 與其他選項之間做決定的讀者，這些頁面是 mistral-large-4-0-vs-claude-opus-5、-vs-deepseek-v4-pro、-vs-gemini-3-1-pro、-vs-glm-5-5、-vs-gpt-6-sol、-vs-grok-4-7、-vs-kimi-k3、-vs-minimax-m3以及-vs-qwen-3-8-max。實測需求正好落在這些頁面上——mistral large 4 vs claude有 78 次曝光與 11 次點擊，vs opus 5.5則有 84 次與 10 次——而且兩者的轉換率都遠高於單獨那個詞本身的表現，這正是把定義留在這裡、把評判放在那邊的理由。

值得點名的相依項目是 mistral-large-4-0-vs-glm-5-5，因為 GLM-5.5 本身就是這一批次裡的其中一頁，而這兩份文稿必須對同一個比較達成一致，而不是各說各話、彼此錯過。清單上其餘的一切都是穩定的目標。

什麼尚未確定？

權重是否會在十月底前到位，以及以何種授權條款發布。還有，促銷價格能否在預覽期過後依然維持，因為標準價目表與上線價格在三條產品線上全都恰好相差一半。這兩件事，讀者不必問任何人就能自行查核：授權條款與檢查點要嘛會出現在 Hugging Face 上，要嘛不會；而價目表要嘛仍會顯示被劃掉的數字，要嘛不會。

在那之前，這個模型所引來的姿態，正是它自身階段標籤所暗示的那一種。就照這樣稱呼它，並用自己的工作負載來衡量它——包括 token 花費，而那正是發布貼文略去不提的數字——同時把正式環境路徑放在行為未預定會改變的東西上。預覽不只是價目表上的一個標籤。它意味著模型、授權與帳單可能同時變動。

在 OrcaRouter，我們透過單一 OpenAI 相容端點路由超過 200 個模型以供應商的標價，0% 加成原樣傳遞——因此供應商價格一有變動，無論是哪個模型，我們這邊當天就會同步反映價格變動。自動容錯移轉是針對任何處於預覽階段項目的另一半：它讓一小部分真實流量流向未經證實的模型，同時由已證實的模型承接其餘流量，因此一旦出現回歸問題，流量會繞道而行，而不是呼叫人員來處理。這些都不是關於 Mistral Large 4 的宣稱，我們並未提供該模型。它們是針對下一個模型，以及這個在其授權條款發布前就推出的模型，所給出的答案輪廓。

這些都不是假設：本參考資料所依據、已留有紀錄的 AI 失效與代理事件，全都彙整於OrcaRouter AI 事件檔案庫，其中每筆紀錄都附有各自的來源、嚴重程度、信心評級與爭議標記。