Mistral Large 4 對決 Claude Opus 5.5：唯一的正面交鋒數據，是對上錯誤版本

現存唯一一場針對Mistral Large 4與Claude Opus 5.5的盲測正面對決，是以其中一方的前一版本作為對照測量的。Surge AI 隱藏了模型身分，讓專業標註員以 1–5 分制評比程式碼輸出；Mistral Large 4 Preview 以 3.74 分在五個模型中排名第二，落後Claude Opus 5的 4.22 分，並領先 Kimi K3 的 3.59 分與 GLM-5.3 的 3.60 分。Claude Opus 5.5 於 9 月 22 日推出，因此針對這組對決最接近的已發表人類評比，比對手的現行版本還早了三週，而且沒有人重新跑過。其他一切條件都可相比，且全都指向同一個方向：在 Artificial Analysis 的 Intelligence Index 上，Mistral Large 4 Preview 為 38.4，Claude Opus 5.5 為 58——在 216 個模型中排名第一——而完成單一 index 任務的成本則是 $1.13 對上 $5.98。

這兩個事實就是這個決策的全貌。能力差距很大，而且就此版本而言，比之前更大。成本差距略高於五倍，而且在 Anthropic 降價時並未改變。

根據 Anthropic 自己的說法，Claude Opus 5.5 究竟是什麼

Claude Opus 5.5 是 Anthropic 目前的旗艦模型，於 2026 年 9 月 22 日發布，定位於長時程代理式工作：多步驟工作階段、大量工具使用與程式碼。其定價為每百萬輸入詞元 4 美元、每百萬輸出詞元 20 美元，快取讀取為 0.20 美元、快取寫入為 5 美元——Anthropic 稱這些價格在輸入與輸出方面比 Opus 5 低 20%，在快取讀取方面則低 60%。另有 Fast 模式，價格為 8 美元／40 美元，該公司表示在 Claude Code 與 Claude Platform 中執行速度最高可快 2.5 倍。它可在 Amazon Web Services、Google Cloud 與 Microsoft Azure 上使用，並提供零資料保留，Anthropic 表示 Claude Sonnet 5.5 與 Claude Haiku 5.5 將於接下來幾週內推出。

那個頁面上有兩個細節比其他內容更為重要。第一個與其說是功能，不如說是遷移限制：Anthropic 表示，Claude Opus 5.5 已不再提供關閉思考模式的選項。如果你目前的管線是以非思考模式呼叫 Opus 5，來執行便宜、快速且具確定性的回合，那麼這個模型並沒有能直接接替該設定的方案。第二個則是 Anthropic 自己附在其分數旁邊的但書：基準測試的領先幅度，已變得較不能可靠地指引現實世界中的差異——對一家廠商而言，在自己勝出的表格旁寫下這點並不尋常，而當你閱讀下方的數字時，這點值得照字面採信。

Anthropic 公告中由廠商自行回報的數據為：Terminal-Bench 4.0 達 66.4%、FrontierCode v1.1 達 54.4%、CursorBench 4.0 達 57.8%、GDPval-AA v2.1 達 1,846 Elo、AutomationBench 達 40.0%、Humanity's Last Exam 在搭配工具下達 67.7%、Terminal-Bench-Science 0.1 達 58.7%，以及 OSWorld 2.1 部分完成率達 81.8%。這些全都是 Anthropic 自家執行的測試，對照模型的成績則取自各廠商自家頁面，而且無論是這組配對或任何其他配對，都沒有任何一項經過獨立重現。

截至10月13日，Mistral Large 4 是什麼

Mistral Large 4 是於 2026 年 10 月 6 日發布的公開預覽版，修訂版 v26.10，也是 Mistral AI 迄今推出過最大的模型。該公司將其描述為原生多模態稀疏專家混合模型，總參數量 1.05 兆、活躍參數 520 億，外加一個 16 億參數的視覺編碼器，從頭開始在 Mistral 自家歐洲資料中心的 3,800 顆 NVIDIA Grace Blackwell GPU 上訓練，訓練資料涵蓋超過 160 種語言。Artificial Analysis 記錄的活躍參數量為 490 億而非 520 億——單一維度上出現 30 億的落差，是予以標註而非取平均。Mistral 自家的模型卡標示 100 萬 token 的上下文視窗；Artificial Analysis 在其測試的配置上讀到 524,288，而其 FAQ 寫的是 520k，這正是廠商宣傳的上限與實際上線服務的部署真正交給你的視窗之間的差別。

定價為每百萬輸入 token 1.36 美元、快取輸入 0.14 美元，以及每百萬輸出 4.18 美元（依費率表），並有上線促銷顯示同樣三行劃掉為 0.68 美元、0.07 美元與 2.09 美元。卡上的狀態標籤寫著 公開預覽、開放與v26.10——而其中第二個才是要仔細解讀的那個。Mistral 表示權重將於月底前釋出，而上線貼文兩度重申這項承諾；它沒做的是指名授權條款。Artificial Analysis 獨立追蹤這個領域，並將授權名稱記錄為 null，把該模型標記為 isOpenWeights: false，並將其歸類為專有。這裡沒有人互相矛盾。由供應商自家叢集提供的預覽，沒有檢查點儲存庫、也沒有授權文本，是可呼叫的模型，而不是開放權重發布；而開放權重的主張是一項附帶期限的計畫，而不是下載連結。

Mistral 自家的基準數據，且全部都是廠商自行提報，分別為：在 DeepSWE v1.1 上 61.7%、在 SWE-Atlas-QnA 上 59.4%、在 Terminal-Bench 4.0 上 28.3%，以及綜合 Coding Agent Index 49.8%；在涵蓋 657 個商業工作流程的 AutomationBench 上 59.9%；在 AA-Briefcase 上 1,393 Elo；在視覺定位的 Dense 200 上 42%；而在其網路安全評估中，在一項 Mistral 形容為所有模型中最高的「重現並修補」測試上為 82%，同時在 Cybench 的 40 項競賽練習中為 93%。該公司也委託進行了一項盲測人類研究並將其發表，這比自行執行的基準測試是更強的證據形式，但仍是一項由其掌控發表的研究。

5.5 的調升對這項決定帶來了什麼改變？

如果你讀過本部落格上 Mistral Large 4 對比 Claude Opus 5 的頁面，這裡有三件事是新的，而其中只有一件是降價。

• 能力差距擴大了，而非縮小。Claude Opus 5 在 Intelligence Index 上得分 50.8；Claude Opus 5.5 得分 58。相較於 Mistral Large 4 Preview 的 38.4，差距從 12.4 分擴大到 19.6 分。一次版本升級讓榜首增加七分，而挑戰者原地踏步，這使得前沿賽道成為更明確的買進選擇，而不是更模糊的選擇。

• 降價並未反映在帳單上。Anthropic 將輸入與輸出價格調降 20%——$5 / $25 降至 $4 / $20——但 Artificial Analysis 完成一項索引任務的成本上升，從 Claude Opus 5 的 $5.86 增至 Claude Opus 5.5 的 $5.98。更便宜的 token 是由一個使用更多 token 的模型所消耗。這是本頁最有用的一個數字，值得好好思考：標價是你帳單的輸入，而不是對它的預測。

• 有一項設定消失了。在 Opus 5.5 中，思考模式已無法再關閉。如果你購買 Opus 5 的部分原因是為了取得低成本的非思考路徑，那麼這個模型並不能取代那條路徑，而替換決策現在也成了涉及兩個模型的決策，而非單純的版本替換。

沒有改變的是：在重複上下文方面，快取機制仍然對 Anthropic 有利——快取讀取每百萬美元 $0.20，相較於 Mistral 的 $0.14 定價與 $0.07 促銷價。在具有穩定前綴的長上下文代理迴圈中，這正是最能左右帳單的那一列，而這兩個數字都需要與頭條價格方纔所受的同等嚴格檢視。

排行榜上最囉嗦的兩個模型

Artificial Analysis 會公布每個模型在指數測試運行時的輸出 token 數量，而這裡的兩個模型正位於該數值的兩端。Claude Opus 5.5 在該次運行中產生了 2.6 億個輸出 token。Mistral Large 4 Preview 則產生了 2 億個。受測模型的中位數為 8,500 萬個。這兩者回答相同問題所耗費的 token 都是典型模型的兩到三倍，而其中只有一個在這麼做的同時，每百萬個 token 收費 4 美元和 20 美元。

冗長不是缺陷，也不是品質訊號。它是價格上的乘數，也是 Opus 降價後仍未反映在每項任務成本上的原因。如果你只根據價目表編列預算，請把這個乘數也編進去：在每百萬輸出 $20 的價格下，一個輸出量是中位數三倍的模型，相對於表現居中的模型，其實際輸出費率更接近每百萬 $60，而在一套評估套件上耗用 2.6 億個 token，可不是能四捨五入忽略的誤差。

計分板

• 每百萬個 Token 的價格，輸入／輸出 — Mistral Large 4 定價 $1.36 / $4.18，促銷價 $0.68 / $2.09；相較於 Claude Opus 5.5 的 $4.00 / $20.00

• 快取輸入 — 定價 $0.14、促銷價 $0.07，對比每百萬次讀取 $0.20 與每百萬次寫入 $5.00

• 每個 Intelligence Index 任務的成本 — 1.13 美元對 5.98 美元，根據 Artificial Analysis

• Intelligence Index — 38.4，在 216 個中排名第 65，對比 58，在 216 個中排名第 1，根據 Artificial Analysis

• 該次索引執行的輸出 token — 200M 對 260M，相較於 85M 的中位數

• 上下文視窗 — Mistral 聲稱 1M，但在受測配置下為 524,288；相較之下，Artificial Analysis 對 Claude Opus 5.5 的解讀為 1M，而無論哪種說法，其公告頁面都未載明數字

• 最大輸出 — 兩家供應商皆未公布

• 實測速度——Mistral Large 4 Preview 未公布，對比每秒 95.2 個輸出 token；搭配 $8 / $40 的 Fast 模式，Anthropic 表示最高可達 2.5 倍

• 權重與授權——承諾於十月底前發布，但授權條款未具名；目前被 Artificial Analysis 標示為專有，與封閉相對。

• 可用性 — Mistral 的預覽 API 與 Mistral Studio，由 Mistral 自家的歐洲基礎設施提供服務，相較於 AWS、Google Cloud、Azure 及 OrcaRouter 目錄

何時適合選用 Mistral Large 4

當工作量大、規格明確且查核成本低時，選擇 Mistral Large 4。大規模的分類、擷取、摘要、結構化輸出生成、第一輪程式碼審查，以及各種內部任務的長尾——在這些情境中，答錯的代價是重試，而不是事故。以每項索引任務 1.13 美元對上 5.98 美元來看，每個月執行一百萬項任務的管線不需要微妙的論證來證明採用便宜模型的正當性；它需要的是便宜模型夠好，而在 AutomationBench 上——也就是模型被要求完成一般業務工作流程的那一列——Mistral 自行回報的 59.9%，與 Anthropic 在同一套測試框架上為 Opus 5.5 回報的數字相比具競爭力。不同的執行、不同的廠商，所以應把它讀作訊號而非結果，但這是最接近業務單位實際要求模型去做的事的那一列。

Mistral Large 4 也是這對組合中，具備可信自我部署途徑的一方，而對某些讀者來說，這比一個基準測試分數更有價值。承諾在十月底前釋出權重，並不代表權重已經到手；未具名的授權也不是授權，所以這是值得觀察的理由，而不是今天就該遷移的理由。但在這裡的兩個模型中，它是唯一一個能讓資料駐留或事件中途存取的主張以「我們自己運行它」作結的模型。歐洲訓練與服務的故事，也位於這本帳簿的同一側。

當 Claude Opus 5.5 是正確選擇的時候

當任務冗長、步驟彼此相依，而且出錯代價高昂時，就選 Claude Opus 5.5。Terminal-Bench 4.0 是這項比較中最銳利的分界線——Anthropic 回報 Opus 5.5 為 66.4%，而 Mistral 在同一測試框架下自家模型僅 28.3%——而終端機作業是目前最接近代理式編碼的公開替代指標，而這正是多數團隊採購前沿模型的主要目的。19.6 點的 Intelligence Index 差距，加上近 2.4 倍的 Terminal-Bench 差距，換句話說：在困難的一端，這根本不是難分高下的局面，而如果你的工作負載正好落在那裡，再怎麼談價格也彌補不了。再加上 100 萬 token 的上下文、實測 95.2 tokens/秒（對手則未公布數字）、專為延遲敏感路徑設計的 Fast 模式，以及在三大公有雲皆可取得且零資料保留，這些溢價換來的是實實在在的營運餘裕。

實際的問題在於，你是否每一次呼叫都需要付出全額的溢價。大多數大規模執行前沿模型的團隊發現，少數請求——也就是那些真正具有多步驟模糊性的請求——消耗了大部分的能力，而其餘的則不然。那是路由決策，不是模型決策，而在這種情況下，兩者都跑才是真正的答案。Claude Opus 5.5 已在 OrcaRouter 目錄中，以 Anthropic 的定價提供，0% 加價，並與其他 200 多個模型使用同一個 OpenAI 相容端點，因此要試用兩者只需一組金鑰，而不必再簽一份供應商合約。Mistral Large 4 目前不在我們的目錄中——它是透過 Mistral 自家的預覽 API 以及幾個第三方平台來取用——而這是對我們清單的事實陳述，並非軟性發布公告。

在預覽階段，真正值得納入的功能是容錯移轉。把一部分流量導向一個授權、權重和服務上下文都還是未定數的模型，意味著有用的失效模式是重新路由，而不是服務中斷；而且你是在自己的資料上，而不是在別人的排行榜上，認識這個模型真正的失效模式。

決定這件事的唯一事實

沒有人曾在具名測試框架上，以相同設定對 Mistral Large 4 與 Claude Opus 5.5 進行正面對決的基準測試——目前唯一存在的盲測人類評分，是相對於 Claude Opus 5 的，而你所選擇要對比的版本並不是 Claude Opus 5——因此，今天做出決定時最誠實的依據是：便宜模型每完成一項任務的成本只有五分之一，而昂貴的那一個則約領先二十個指數點，並在 Terminal-Bench 上有接近 2.4 倍的差距，而其牌價雖經 Anthropic 調降，卻未降低每項任務的成本。

如果在你嘅工作負載中，一個失敗的回答成本低於 4.6 次重試，就買 Mistral Large 4。如果成本更高，就買 Claude Opus 5.5——而如果你目前還無法回答關於自己流量的這個問題，就把兩者跑在同一個端點上，讓一個月的真實請求替你回答。