Mistral 的万亿参数 Le Chonk 检查点登陆 Hugging Face

2026 年 10 月 29 日，Mistral AI 发布了其旗舰模型 Mistral Large 4 的权重。这是一款原生多模态、拥有 1 万亿参数的模型，名为 Le Chonk。该检查点可从 Hugging Face 下载，供用户自行托管；同时，它也通过 Mistral 的 API 和合作伙伴平台提供，采用经过修改的 MIT 开放权重许可证。

此次发布前，该模型已于 2026 年 10 月 6 日公开预览，当时 Mistral 首次推出了这套拥有 1.05 万亿参数的混合专家系统。在公告中，Mistral 表示，公司在持续扩大强化学习规模的同时，也根据预览期间收到的反馈进行了改进，由此在编程、防御性网络安全和推理效率方面取得了其所称的重大进步。公司称 Mistral Large 4 是最出色的编程开放权重模型，并表示其性能提升仍在加速，尚未显现饱和迹象。

许可证、定价与可用性

这些权重已在 Hugging Face 上发布，采用 Mistral Ecosystem Open-Weight License，这是 MIT 许可证的一个修改版本。根据该许可证，用户可以免费使用、修改、微调模型并将其商业化，但有一项条件：提供模型即服务（Model-as-a-Service）的企业，必须先从 Mistral 获得单独的商业许可证，才能将该模型用于商业用途。

根据 Mistral 的模型文档，API 的定价为：每百万个输入 token 0.70 美元、每百万个缓存输入 token 0.07 美元、每百万个输出 token 2.10 美元。该模型通过 Mistral API 和 Mistral Studio 以 mistral-large-4 的名称提供，也可通过 OpenRouter、Mistral 的编程助手 Vibe Code、搭载优化版 NVIDIA NIM 容器的 NVIDIA 托管端点，以及 Microsoft Foundry 使用。Mistral 表示，Azure 开发者可通过 Foundry 使用私有部署选项；Microsoft Foundry 企业副总裁 Tina Schuchman 则表示，Microsoft 是首家向客户提供 Mistral Large 4 的云服务提供商。

编程基准测试与推理模式

Mistral 表示，Mistral Large 4 在 Cognition 的私有基准测试 FrontierCode 2.0 中领先。该测试评估端到端代码质量，以及代码仓库维护者是否会合并智能体所作的更改；Mistral Large 4 的得分为 19.7%，超过了榜单上包括 GLM-5.3、Kimi K3 和 DeepSeek V4.1 Flash 在内的开放权重模型。

在 Artificial Analysis Coding Agent Index 上，Mistral 报告该模型得分为 48%，并称这一成绩与领先的开放权重模型 GLM-5.3 实际持平，同时平均每项任务使用的 token 少 47%。在 Terminal-Bench 4.0 上，公司报告称，该模型的得分较公开预览版提高了 13 个百分点，达到 41%，在开放权重模型中位居第一，同时输出 token 数减少了 30%。在 Mistral 引用的 Surge Code 盲测成对人类偏好评估中，受测者更偏好该模型，而非 GLM-5.3、Kimi K3 和 DeepSeek V4.1 Flash；在参与评估的模型中，只有 Claude Opus 5.5 的排名高于它。

该模型支持低、中、高三种推理模式，默认使用高模式。Mistral 表示，低模式取代了此前的“None”（无）推理模式，适用于简单任务；中模式适合日常使用；高模式则面向需要深入推理的最难任务，使开发者能够在性能和成本之间进行权衡。

网络安全评测结果与防护机制调整

Mistral 报告称，该模型在 Artificial Analysis Cyber Index 上得分为 51%。该指数衡量模型发现代码库漏洞、复现并验证漏洞，以及在修补漏洞时不破坏现有功能的能力。公司表示，该模型能够处理正当的防御性安全任务，不会无谓拒绝，同时其内置防护机制能够区分防御性任务与恶意攻击任务。Mistral 报告称，在 JailbreakBench、StrongREJECT 和 AgentHarm 的网络安全相关提示中，该模型对恶意网络攻击请求的平均拒绝率为 96.6%，并称这是其在开放模型中测得的最高拒绝率。

公告还披露，公开预览后，Mistral 对实时流量中的网络安全相关使用情况进行了监测。公司表示，观察到该模型会拒绝配合针对实时目标的黑盒攻击，但也认为模型能力提升可能被用于实施真实攻击，因此正在相应调整防护机制，并承诺未来几个月会发布更多更新。Orange Cyberdefense 等企业设计合作伙伴正在获得 Mistral Large 4 专用变体的预览权限。该变体针对渗透测试、漏洞评估和红队演练进行了优化，但须经过审查并遵守合同保障措施，以确保测试仅在受控环境中针对自有系统或明确获准测试的系统进行。

公告收录了 Booz Allen Hamilton、Cisco、Cloudflare、CrowdStrike、Elastic、ENISA、Fortinet、NVIDIA、Orange Cyberdefense、Rubrik 和 Zscaler 高管的评测意见。Booz Allen Hamilton 国家网络安全业务总裁 Brad Medairy 表示，测试显示，针对该公司用于源代码安全分析的内部基准，该模型的漏洞检测召回率与其他前沿网络安全模型相当。

架构与训练

根据模型卡片，Mistral Large 4 是一种细粒度混合专家模型，总参数量约为 1 万亿，每个 token 激活的参数约为 520 亿（不计嵌入和输出层时为 490 亿）；模型设有 128 个路由专家，每个 token 激活其中 4 个，另有 1 个共享专家。它支持 100 万 token 的上下文窗口，可接收文本和图像输入，并通过一个拥有 16 亿参数、采用 Pixtral 风格的视觉编码器生成文本输出。该编码器经过训练，能够处理不同尺寸和宽高比的图像。Mistral 表示，该模型从头开始训练，使用了位于公司欧洲自有数据中心的 3,800 块 NVIDIA Grace Blackwell GPU；模型能够以母语般的流利程度使用 160 多种语言，其中包括欧盟所有官方语言。

该检查点内置了 DSpark 推测解码草稿头，可一次提出 3 个 token 组成的区块。Mistral 测得，与单独提供目标模型服务相比，这种方式的吞吐量最高可提升 1.9 倍；此外，还提供面向 Blackwell GPU 的量化 NVFP4 检查点。在 Artificial Analysis Intelligence Index v5 上，模型卡片报告的得分为 26，并称这是西方开放权重模型中的最高分；不过，卡片也指出，领先的中国开放权重模型在综合指数上的得分更高。Mistral 还报告称，其 Finch（FinWorkBench）得分升至 73.3%，在开放模型中仅次于 Kimi K3；BrowseComp 得分达到 84.5%，该模型来自一个监督微调检查点，后者的得分为 75%；在 B3 Agent Security Benchmark 上，模型抵御攻击的能力达到 97.1%，高于预览版的 93.3%。

Mistral 表示，Mistral Large 4 将成为新一代专业化、优化版 Mistral 模型的基础，并以近期发布的 Voxtral 和 Timestral 为例。