AI圈密集更新：Mistral Large新模型与Anthropic免费送初创公司Claude Team

近期AI领域迎来一波密集更新，从法国Mistral的新一代大模型、谷歌DeepMind的多模态嵌入模型，到Anthropic面向初创公司的免费福利，各家厂商在模型能力与生态布局上同时发力。以下梳理这几件值得关注的事。

Mistral Large新模型主打网络安全能力

法国公司Mistral发布了新一代Large模型，现已开放公开预览，API可直接调用。这款模型在欧洲自家数据中心完成训练，动用了3800块英伟达Grace Blackwell芯片，而模型权重与许可证要等到月底才会公布。

官方最看重的卖点是网络安全能力。据介绍，在发现开源软件漏洞的测试中它拿到了82%的成绩。The Decoder的报道指出，相比之下Opus 5.5和GPT-6 Astra在这项测试里接近零分——原因是它们直接拒绝执行任务。不过在综合指数上，Mistral Large为38分，而Opus 5.5为58分。

换句话说，能查漏洞不等于全面领先。单一维度的高分反映的是模型在安全场景下的任务意愿，而非综合实力。在权重正式开放之前，这些数字仍需保留判断。

Anthropic的两记大招：免费Claude Team与网络安全计划

Anthropic这轮动作集中在生态拓展与安全开放两个方向。

初创公司可免费用一年Claude Team

Anthropic扩大了Claude for Startups计划，符合条件的初创公司可免费使用一年Claude Team套餐，最多5个席位，另外赠送1000美元API额度，还能通过Claude Market Payways开发插件，并参加AI团队的线上答疑。

申请门槛不高，两个条件满足其一即可：公司成立不到5年，或近两年内拿到过融资。原文未提及地区限制，申请入口在Claude for Startups的项目页面。

Anthropic的逻辑很直白——多数人会通过基于其模型做产品的公司间接享受到AI红利。免费只有一年，关键还是先想清楚拿它做什么。

网络安全验证计划升级

Anthropic把Project Glasswing和原有验证计划合并为统一的Cyber Verification Program，并向更多防守方开放。通过验证的安全人员能获得更强的网络能力，模型的拦截分类器也会相应放松。

新方案分为三档：

• 防守档：用于应急响应和恶意软件分析，个人研究者与开源维护者均可申请，几天内回复。
• 红队档：增加授权渗透测试，仅面向机构，审核需等几周。
• 特殊访问：面向飞行系统、电网等安全关键系统的测试，名额有限。

计划覆盖Claude Opus 5.5、Sonnet 5.5和后续新模型。做漏洞研究的人需要先确认自己属于哪一档。

OpenAI给ChatGPT文本加隐形水印

OpenAI宣布未来几周将先为欧盟用户的文本加水印，覆盖ChatGPT和Codex，目的是符合欧盟AI法案。API开发者现在就能自行选择开启，且不限地区。

这项技术名为TagScreen，原理是微调模型在选词时留下人眼看不出、但检测器能识别的规律。它并非牢不可破：把约10%的词替换成同义词，检测率就会从约92%降到66%。短文本、数学答案以及翻译过的文字更难被检出。

OpenAI也特别强调：没有水印不代表内容就是人写的。这意味着水印只能作为辅助判据，而非溯源的唯一依据。

文本水印技术的核心挑战在于"不可感知性"与"鲁棒性"之间的矛盾：水印越隐蔽，被轻微改写后就越容易失效。TagScreen采用的词汇分布偏移方法（即在模型生成时微调词汇选择概率，使特定词序列产生统计规律）是当前学界主流方案之一，类似方案还包括基于Token分组的"绿色列表"方法（如KGW水印）。这类方案的共同弱点是对语义保留型改写（同义词替换、翻译再翻译）敏感，因为改写会打乱原有的统计规律。因此，文本水印目前更适合作为内容监管中的"概率性线索"而非确定性证据，这也是OpenAI特别声明"没有水印不等于人写"的技术背景。欧盟AI法案要求高风险AI系统对输出内容进行标注，推动了各大厂商加速落地这一能力。

多模态与边缘计算的新进展

谷歌DeepMind的多模态嵌入模型

Google DeepMind发布了Embedding Gemma 2，一个开放的多模态嵌入模型，参数量740M。它把文字、图片、视频和音频映射到同一个向量空间，方便搜索与相似度比较。

模型输出768维向量，也能截短到512、256或128维以节省空间，上下文长度8192 Token，支持100多种语言，采用Apache 2.0许可，发布当天即公开。对做本地搜索和问答的开发者来说，四种媒体可以统一检索是最大的实用价值，而740M的规模让它能跑在手机、笔记本等普通设备上。

嵌入模型（Embedding Model）与生成模型的核心区别在于：它的输出不是文字或图片，而是固定维度的稠密向量（即"嵌入"），用于表示输入内容的语义位置。将不同模态（文字、图片、音频、视频）映射到同一向量空间，意味着可以直接用文字描述去搜索图片，或用一段音频去匹配相关视频，无需为每对模态单独训练转换模型——这种能力通常称为"跨模态检索"。768维是一个在精度与存储之间平衡良好的常见选择，截短到更低维度可降低索引存储与检索计算成本，适合资源受限场景。Apache 2.0许可意味着允许商业使用和修改，对希望本地部署的开发者极为友好。740M参数量（约1.4GB FP16权重）使其可在普通消费级GPU甚至部分高端手机上运行推理。

Liquid AI的端侧决策模型

Liquid AI发布了面向边缘设备的多模态决策模型。它的目标不是生成文字，而是根据画面和输入直接判断下一步动作，定位于手机、机器人等算力有限的设备。官方同时公布了速度与准确率测试，并给出开源使用方法。端侧模型的价值在于减少网络往返，也让设备在断网时仍能完成简单决策。

Reflection AI的开放权重模型

美国创业公司Reflection AI发布了首个开放权重模型Beam，采用混合专家结构，每次激活部分参数，仅处理文字，上下文长度100万Token，预训练用了23.8T Token。公司称其与GLM系列水平相当，但推理算力节省3到4倍。该公司已拿到英伟达、红杉等投资，累计约47亿美元。需要提醒的是，这些性能数字目前都是公司自述，尚无独立验证，权重也未放出。

混合专家结构（Mixture of Experts，MoE）是近年大模型降低推理成本的主流架构之一：模型拥有大量参数，但每次前向传播只激活其中一小部分"专家"子网络，其余参数处于休眠状态。这使得模型在参数总量（决定"知识容量"）与单次推理算力（决定运行成本）之间解耦。Beam声称推理算力节省3到4倍，即源于此：相比同等参数规模的稠密模型，MoE每次激活的计算量更少。23.8T Token的预训练数据量属于当前头部水平（GPT-4估计约13T），100万Token的上下文窗口则支持处理超长文档。不过MoE架构对显存带宽要求较高——所有专家的权重仍需加载到内存，这在实际部署中是一个不可忽视的硬件门槛。

开发者工具：Claude Code后台跑开源模型

Together AI推出了Together Link，一个免费、MIT许可的命令行工具，目前为测试版。它能连接Claude Code、Codex、OpenCode以及Claude和ChatGPT的桌面应用。

在Claude Code里，它可以把Opus档位换成Kimi、把其他档位换成GLM，默认采用Auto路由：简单请求交给Together的模型，复杂任务转给Claude Opus（前提是你自己接了Anthropic的API Key）。

要注意，工具免费但模型不免费——用Together的模型按其标准价格付费。目前仅支持macOS和Linux，还需要一个Together账号的API Key。换模型能不能省钱，得自己算账。

微软英伟达把智能体带进Windows

英伟达和微软宣布合作，让AI智能体更深地运行在Windows电脑上，英伟达还预览了面向企业桌面的DGX Station for Windows。双方的方向很明确：让智能体直接调用Windows上的软件和算力。这不只是换一台电脑，关键在于本地模型与桌面操作开始融合，为端侧智能体落地铺路。

小结

这一轮更新里，几条主线逐渐清晰：模型能力正从通用走向场景化（如Mistral的安全专长），生态竞争延伸到开发工具与初创扶持（Anthropic与Together AI），而多模态嵌入与端侧决策模型则在推动AI向本地设备下沉。对开发者而言，权重未开放、性能数字未经独立验证的新模型仍需谨慎看待。