Mistral 於 10 月 29 日公開 Mistral Large 4（綽號「Le Chonk」）的開放權重，距離 10 月 6 日推出預覽版約三星期。公司主打模型在編碼和防禦性網絡安全方面的表現；不過，現有跑分只代表特定測試結果，唔等於模型在所有工作上都領先。47918

預覽版之後有咩改進？

Mistral 表示，額外進行強化學習後，Large 4 在 Terminal-Bench 4.0 的得分由預覽版 28% 升至正式發布版 41%，增加 13 個百分點。2131 公司公布的 Artificial Analysis Coding Agent Index 得分為 48%，與 GLM-5.3 並列；相關報道亦指，該比較中 Large 4 每項任務少用 47% token。3135

呢啲數字反映的是特定評測，唔能夠直接證明模型處理所有程式工作都更好。每項任務用少啲 token，亦唔代表整體營運成本必然較低。現有報道亦未有提供經充分證實、可直接對照 Anthropic Mythos 5.1 的數值比較。

一個萬億參數的多模態模型

Mistral 文件將 Large 4 描述為多模態混合專家模型（Mixture of Experts，MoE），總參數量為 1.05 萬億，視覺編碼器則有 16 億參數。17 單看總參數量未必足夠理解模型規模：Hugging Face 的模型介紹列出每個 token 啟用 490 億參數；若計入嵌入層和輸出層，則為 520 億。20

Mistral 在預覽公告中表示，模型使用歐洲數據中心內的 3,800 部 Nvidia Grace Blackwell GPU 訓練。6 發布報道則提到，模型提供低、中、高三種推理設定，讓使用者選擇投入多少推理運算。34

「開放權重」不代表授權毋須細看

模型權重可經 Hugging Face 取得，發布時採用的授權名為 Mistral Ecosystem Open-Weight License；授權文本說明，這是經修改的 MIT 授權。1832 因此，「開放權重」唔應理解為所有重新分發方式或託管服務都自動適用標準 MIT 條款。若打算用模型提供商業服務，應先查看授權原文，確認自己的用途是否符合條件。3236

實際上，團隊可以取得模型權重，而唔只依賴服務供應商的 API，因而有機會自行託管或修改模型。不過，單憑權重公開，未能判斷特定部署需要幾多運算資源或配套設施。

網絡安全數字要小心解讀

發布相關報道引述的評測結果包括 Artificial Analysis Cyber Index 51%，以及對惡意網絡安全請求平均拒答率 96.6%。3133 這些是特定評測的結果，唔代表模型一定會拒絕每一個有害請求，也唔代表公開權重就沒有被濫用的風險。

防禦性網絡安全能力，與模型抵抗惡意提示，是兩回事。理解這些數字時，應一併考慮評測細節和實際部署情境；單靠分數，無法判定一款廣泛可取得的模型是否安全。

這次發布代表甚麼，又未能證明甚麼？

Large 4 為市場增加一個歐洲開發的開放權重選項。Mistral 特別提到模型採用歐洲訓練基建，並強調其相對其他開放權重模型的表現。61518 對使用者而言，較實際的分別是能否取得權重、檢視並自行部署，而唔應單憑模型來自哪個地區，就推論其整體品質高低。

目前較有根據的結論是：Mistral 報稱 Large 4 的編碼基準測試較預覽版進步，在一項編碼代理比較中亦取得具競爭力的分數，同時每項任務使用較少 token。對團隊來說，這些結果或值得在自己的工作流程中實測；但它們不足以證明模型全面勝出、獨立確認所有網絡安全聲稱，亦不能取代對授權條款和部署風險的評估。

Mistral 於 10 月 29 日公開 Mistral Large 4（綽號「Le Chonk」）的開放權重，距離 10 月 6 日推出預覽版約三星期。公司主打模型在編碼和防禦性網絡安全方面的表現；不過，現有跑分只代表特定測試結果，唔等於模型在所有工作上都領先。47918

預覽版之後有咩改進？

Mistral 表示，額外進行強化學習後，Large 4 在 Terminal-Bench 4.0 的得分由預覽版 28% 升至正式發布版 41%，增加 13 個百分點。2131 公司公布的 Artificial Analysis Coding Agent Index 得分為 48%，與 GLM-5.3 並列；相關報道亦指，該比較中 Large 4 每項任務少用 47% token。3135

呢啲數字反映的是特定評測，唔能夠直接證明模型處理所有程式工作都更好。每項任務用少啲 token，亦唔代表整體營運成本必然較低。現有報道亦未有提供經充分證實、可直接對照 Anthropic Mythos 5.1 的數值比較。

一個萬億參數的多模態模型

Mistral 文件將 Large 4 描述為多模態混合專家模型（Mixture of Experts，MoE），總參數量為 1.05 萬億，視覺編碼器則有 16 億參數。17 單看總參數量未必足夠理解模型規模：Hugging Face 的模型介紹列出每個 token 啟用 490 億參數；若計入嵌入層和輸出層，則為 520 億。20

Mistral 在預覽公告中表示，模型使用歐洲數據中心內的 3,800 部 Nvidia Grace Blackwell GPU 訓練。6 發布報道則提到，模型提供低、中、高三種推理設定，讓使用者選擇投入多少推理運算。34

「開放權重」不代表授權毋須細看

模型權重可經 Hugging Face 取得，發布時採用的授權名為 Mistral Ecosystem Open-Weight License；授權文本說明，這是經修改的 MIT 授權。1832 因此，「開放權重」唔應理解為所有重新分發方式或託管服務都自動適用標準 MIT 條款。若打算用模型提供商業服務，應先查看授權原文，確認自己的用途是否符合條件。3236

實際上，團隊可以取得模型權重，而唔只依賴服務供應商的 API，因而有機會自行託管或修改模型。不過，單憑權重公開，未能判斷特定部署需要幾多運算資源或配套設施。

網絡安全數字要小心解讀

發布相關報道引述的評測結果包括 Artificial Analysis Cyber Index 51%，以及對惡意網絡安全請求平均拒答率 96.6%。3133 這些是特定評測的結果，唔代表模型一定會拒絕每一個有害請求，也唔代表公開權重就沒有被濫用的風險。

防禦性網絡安全能力，與模型抵抗惡意提示，是兩回事。理解這些數字時，應一併考慮評測細節和實際部署情境；單靠分數，無法判定一款廣泛可取得的模型是否安全。

這次發布代表甚麼，又未能證明甚麼？

Large 4 為市場增加一個歐洲開發的開放權重選項。Mistral 特別提到模型採用歐洲訓練基建，並強調其相對其他開放權重模型的表現。61518 對使用者而言，較實際的分別是能否取得權重、檢視並自行部署，而唔應單憑模型來自哪個地區，就推論其整體品質高低。

目前較有根據的結論是：Mistral 報稱 Large 4 的編碼基準測試較預覽版進步，在一項編碼代理比較中亦取得具競爭力的分數，同時每項任務使用較少 token。對團隊來說，這些結果或值得在自己的工作流程中實測；但它們不足以證明模型全面勝出、獨立確認所有網絡安全聲稱，亦不能取代對授權條款和部署風險的評估。