Mistral 于 2026 年 10 月 29 日开放了 Mistral Large 4（昵称「Le Chonk」）的模型权重。该模型此前在 10 月 6 日发布预览版。Mistral 将它定位为编码和防御性网络安全领域更强的开放权重选择。公布的基准成绩值得关注，但只反映特定测试任务，不能据此断言它在所有工作场景中都领先。47918

预览版之后有哪些变化？

Mistral 表示，追加强化学习后，Large 4 在 Terminal-Bench 4.0 上的得分从预览版的 28% 升至正式开放权重版本的 41%，提高了 13 个百分点。2131 在 Artificial Analysis Coding Agent Index 上，Mistral 报告其得分为 48%，与 GLM-5.3 持平；在这项比较中，Large 4 每项任务使用的 token 数少了 47%。3135

这些数字对应的是特定评测，并不能说明模型处理各类编程工作的整体表现。token 用量较少，也不自动意味着总运营成本更低。现有报道同样没有提供与 Anthropic Mythos 5.1 经充分证实、可直接对照的数值比较。

万亿参数的多模态模型

Mistral 文档将 Large 4 描述为多模态混合专家模型，总参数量为 1.05 万亿，视觉编码器参数量为 16 亿。17 理解参数规模时还需区分“总参数”和“每个 token 激活的参数”：Hugging Face 模型说明列出的每个 token 激活参数为 490 亿；若计入嵌入层和输出层，则为 520 亿。20

Mistral 在预览版公告中表示，该模型使用自家位于欧洲的数据中心内的 3,800 张 Nvidia Grace Blackwell GPU 进行训练。6 发布相关报道还提到，模型提供低、中、高三档推理设置，供用户选择推理投入程度。34

开放权重不等于无需看许可证

模型权重可通过 Hugging Face 获取，发布时采用的许可证名为 Mistral Ecosystem Open-Weight License。许可证文本称，它是经修改的 MIT 许可证。1832 因此，“开放权重”不应被简单理解为：所有再分发方式或托管服务都自动适用标准 MIT 条款。若要将模型用于商业服务，尤其是对外提供托管服务，团队应先阅读许可证原文，确认具体用途需要满足哪些条件。3236

对实际使用者而言，开放权重意味着可以获取模型文件，而不必只通过某家服务商的 API 调用模型。这为自托管或修改模型提供了可能；但仅凭权重开放，无法判断某个具体部署需要多少基础设施。

网络安全成绩应如何解读？

发布相关报道给出的数据包括：Artificial Analysis Cyber Index 得分为 51%，对恶意网络安全请求的平均拒绝率为 96.6%。3133 这些是评测结果，不是模型会拒绝每一条有害请求的保证，也不能证明开放权重没有被滥用的风险。

防御性安全能力的评测成绩，与模型抵御恶意提示的能力，是不同维度。理解这些数字时应结合评测细节和实际部署需求；单凭它们无法彻底回答模型开放后会带来哪些风险。

这次发布说明了什么，又没有证明什么？

Large 4 为市场提供了又一个欧洲开发的开放权重选项，而当前市场上还有来自其他地区的开放模型和闭源模型。Mistral特别强调了模型使用欧洲训练基础设施，以及它相对于开放权重竞争模型的表现。61518 对用户来说，真正重要的区别在于能否取得权重并自行检查、部署，而不是仅凭模型来自哪个国家或地区来判断其质量。

目前证据最支持的结论是：Mistral 报告 Large 4 从预览版到开放权重版本，在编码基准上取得了明显进步；在一项编码代理评测中，它的得分与 GLM-5.3 持平，同时使用了更少 token。这些结果足以让团队考虑用自己的任务进行测试，但尚不足以证明它全面领先、独立验证所有网络安全说法，或免除对许可证和部署风险的评估。

Mistral 于 2026 年 10 月 29 日开放了 Mistral Large 4（昵称「Le Chonk」）的模型权重。该模型此前在 10 月 6 日发布预览版。Mistral 将它定位为编码和防御性网络安全领域更强的开放权重选择。公布的基准成绩值得关注，但只反映特定测试任务，不能据此断言它在所有工作场景中都领先。47918

预览版之后有哪些变化？

Mistral 表示，追加强化学习后，Large 4 在 Terminal-Bench 4.0 上的得分从预览版的 28% 升至正式开放权重版本的 41%，提高了 13 个百分点。2131 在 Artificial Analysis Coding Agent Index 上，Mistral 报告其得分为 48%，与 GLM-5.3 持平；在这项比较中，Large 4 每项任务使用的 token 数少了 47%。3135

这些数字对应的是特定评测，并不能说明模型处理各类编程工作的整体表现。token 用量较少，也不自动意味着总运营成本更低。现有报道同样没有提供与 Anthropic Mythos 5.1 经充分证实、可直接对照的数值比较。

万亿参数的多模态模型

Mistral 文档将 Large 4 描述为多模态混合专家模型，总参数量为 1.05 万亿，视觉编码器参数量为 16 亿。17 理解参数规模时还需区分“总参数”和“每个 token 激活的参数”：Hugging Face 模型说明列出的每个 token 激活参数为 490 亿；若计入嵌入层和输出层，则为 520 亿。20

Mistral 在预览版公告中表示，该模型使用自家位于欧洲的数据中心内的 3,800 张 Nvidia Grace Blackwell GPU 进行训练。6 发布相关报道还提到，模型提供低、中、高三档推理设置，供用户选择推理投入程度。34

开放权重不等于无需看许可证

模型权重可通过 Hugging Face 获取，发布时采用的许可证名为 Mistral Ecosystem Open-Weight License。许可证文本称，它是经修改的 MIT 许可证。1832 因此，“开放权重”不应被简单理解为：所有再分发方式或托管服务都自动适用标准 MIT 条款。若要将模型用于商业服务，尤其是对外提供托管服务，团队应先阅读许可证原文，确认具体用途需要满足哪些条件。3236

对实际使用者而言，开放权重意味着可以获取模型文件，而不必只通过某家服务商的 API 调用模型。这为自托管或修改模型提供了可能；但仅凭权重开放，无法判断某个具体部署需要多少基础设施。

网络安全成绩应如何解读？

发布相关报道给出的数据包括：Artificial Analysis Cyber Index 得分为 51%，对恶意网络安全请求的平均拒绝率为 96.6%。3133 这些是评测结果，不是模型会拒绝每一条有害请求的保证，也不能证明开放权重没有被滥用的风险。

防御性安全能力的评测成绩，与模型抵御恶意提示的能力，是不同维度。理解这些数字时应结合评测细节和实际部署需求；单凭它们无法彻底回答模型开放后会带来哪些风险。

这次发布说明了什么，又没有证明什么？

Large 4 为市场提供了又一个欧洲开发的开放权重选项，而当前市场上还有来自其他地区的开放模型和闭源模型。Mistral特别强调了模型使用欧洲训练基础设施，以及它相对于开放权重竞争模型的表现。61518 对用户来说，真正重要的区别在于能否取得权重并自行检查、部署，而不是仅凭模型来自哪个国家或地区来判断其质量。

目前证据最支持的结论是：Mistral 报告 Large 4 从预览版到开放权重版本，在编码基准上取得了明显进步；在一项编码代理评测中，它的得分与 GLM-5.3 持平，同时使用了更少 token。这些结果足以让团队考虑用自己的任务进行测试，但尚不足以证明它全面领先、独立验证所有网络安全说法，或免除对许可证和部署风险的评估。