Mistral Large 4实测：万亿参数开源模型能否逆袭？

Mistral 终于交出了一份有分量的答卷。代号"Le Chonk"（法语胖猫，源自社区梗）的 Mistral Large 4 以 1.05 万亿参数、520 亿激活参数的混合专家架构亮相，官方博客高调展示网络安全与逆向工程基准，同时把权重发布定在了万圣节。一位长期追踪模型能力的 YouTube 创作者第一时间用一整套"暴力测试"跑了一遍，结果值得细看。

规格与定位：Mistral 重新回到牌桌

Mistral Large 4 的体量相比前代 Mistral Large 3 有明显跃升——后者大约在 6500 亿到 7000 亿参数区间，而新模型直接跨过万亿门槛。520 亿活跃参数（含嵌入与输出层）意味着它不太可能被普通用户本地运行，但在云端推理成本上仍有操作空间。

多模态能力是这次的重点之一：模型搭载了 16 亿参数的视觉编码器，这个尺寸在同类模型中相当可观，测试者也专门做了视觉相关任务。

定价方面，官方给出的是每百万输入 token 1.36 美元、每百万输出 token 4.18 美元，且有两周的半价优惠。对照 Sonnet 和 GPT-6.1 Sol 每百万输入 2 美元、输出 10 美元的价格，Mistral Large 4 有明显价差。测试者提醒，不要只看折扣价，要看优惠结束后的正式定价——按此计算，它依然属于便宜一档。

真正的差异化在于开源权重。竞品不开源，Mistral 开，这点被反复强调为"更好的氛围"。不过权重要等到万圣节才放出，Hugging Face 上挂着倒计时。

混合专家（Mixture-of-Experts, MoE）架构的核心思想是将一个大型前馈网络拆分为多个"专家"子网络，每个 token 在推理时只被路由到其中少数几个专家，从而在保持总参数量巨大的同时大幅降低单次前向计算量。因此"1.05 万亿总参数、520 亿激活参数"意味着模型拥有海量知识容量，但每次推理实际调用的计算量接近一个 500 亿参数级别的稠密模型，这正是云端推理成本可控的原因。代价是显存占用仍需容纳全部专家权重，本地部署门槛极高，且路由均衡性会直接影响训练稳定性与效果。

基准表现：网络安全是主打牌

官方博客把网络安全能力放在最显眼的位置，展示了恶意软件逆向工程和一项分布外调查任务的成绩。社交媒体上传播最广的也是网络安全基准——按测试者的说法，它"基本追平了该榜单上表现最好的另一个开源模型"。

常规的 Deep SWE 基准上，它与 GLM 5.3、OpenCode 处于竞争区间。官方还特别标注了每个分数对应的评测框架（harness），这一点被测试者称赞为负责任的做法。

博客末尾有一句关键信息：预览版背后的强化学习训练仍在进行，尚未出现饱和迹象，意味着还有相当大的提升空间。这构成了后续所有测试结果的解读前提——现在看到的是中途快照。

评测框架（harness）指运行基准测试时使用的一套标准化脚本与配置，包括提示模板、few-shot 示例数量、采样温度、最大输出长度、工具调用格式以及打分逻辑等。同一模型在不同 harness 下的分数可能相差数个甚至十数个百分点，因此跨厂商榜单对比常常失真。官方为每个分数标注所用 harness，等于公开了可复现的评测条件，使读者能判断分数差距究竟来自模型能力还是评测配置差异，这也是测试者称其为"负责任做法"的原因。

浏览器 OS 测试：最惊艳的特殊功能

测试通过 Mistral 自家的 Vibe CLI 进行，相当于 Mistral 版的云端代码助手。第一个任务是生成一个浏览器 OS，包含开始菜单、文件系统、记事本、终端、设置和右键菜单。

成品完成度不低：时间和日期正确显示，日历功能、电池与 Wi-Fi 状态指示一应俱全，Matrix 雨和合成波壁纸可切换，甚至连主题色都会同步改变按钮图标和"OS"字样。终端里 NeoFetch 的输出没有出现常见的错乱。邮件应用能自动回复消息，笔记能真正保存为 TXT 文件到文件系统。

真正的惊喜是一个内置的应用编辑器：在编辑器里写代码，按运行在沙箱中执行，按安装就成为桌面上的独立应用。测试者用 Gemini 生成了一段简单的第一人称射击游戏代码，粘贴进去后居然真的能在浏览器 OS 内运行，还成功安装到了桌面。测试者称这是"见过的最有创意的特殊功能之一"，甚至开玩笑说要把这段画面剪进预告片制造反差效果。

Vibe CLI 是 Mistral 提供的命令行式代码智能体入口，工作方式与 Claude Code、Gemini CLI 类似：模型在本地或云端获得一个可读写文件、执行命令、运行测试的沙箱环境，通过多轮工具调用自主完成从需求到可运行项目的全过程。这类智能体的能力上限不仅取决于代码生成质量，还取决于长任务中的上下文管理、错误自我修复和工具调用可靠性，因此文章中的"两小时四十分钟""最高推理档位"等描述，本质上是在考察模型作为长程自主智能体的稳定性。

3D 与游戏生成：不惊艳，但干净

C++ 滑板测试

带 Z 键回放功能的独立 C++ 滑板游戏，第一版的问题集中在滑手是纯 2D 的、全部文字方向颠倒。但场景本身没有明显硬伤：建筑、水面、磨杆逻辑都能跑通。测试者的判断是"这更像一个未完成的结果，而不是一个糟糕的结果"。

随后提供了三张高质量参考图要求改造，结果模型只提取了色调，没有复刻结构。排查发现模型当时其实读不到图片。修好视觉输入后重新生成，增加了砖块材质和车流系统，但仍然不是忠实复刻。这次测试暴露的是视觉能力在工程流程中的接入问题，而非模型本身的生成力。

泳池派对

这个任务跑了约 2 小时 40 分钟，用的是最高推理档位。成品支持多人、角色有骨骼绑定、有跳水动作和水花、有泳池甲板、烤架和电视机。水面效果偏弱，角色看起来像跳进空池子。整体简单但干净。

地铁 FPS

新版要求打过一波后坐地铁去下一站。氛围文案、三种武器、弹壳抛射与落地弹跳都做出来了，子弹孔只出现在特定表面。第一次生成时武器的射击逻辑有问题，修复后正常。画面远谈不上惊艳，但功能完整。

Three.js 是运行于浏览器、基于 WebGL 的 JavaScript 3D 库，适合快速搭建轻量场景；Godot 则是完整的开源游戏引擎，自带场景树、物理、动画、粒子与视频导出等系统。二者对模型的要求不同：Three.js 任务通常只需生成单个 HTML 文件与若干模块引用，而 Godot 项目涉及多文件目录结构、资源路径与引擎 API 约定，出错概率更高。文中"缺少 import map"正是浏览器端 ES 模块解析失败的典型症状，因为 Three.js 新版本以模块方式分发，需显式声明模块路径映射，模型漏写时页面会整体空白。

视觉与复杂场景：看得见进步，也看得见短板

手表网站

整体结构完整，有问题的地方很具体：表盘方向反转、表针排列正确但整体在巨大桌面上显得过小、放大后能看到机芯结构、"Bijan"特别款正确应用了参考照片的金色和表盘图案。文字文案被评价为有调性。缺点是缺乏打磨和细节张力。

Jerry 的公寓

用 Three.js 重建《宋飞正传》里的公寓，附带参考照片。模型跑了两个多小时，产出缺少 import map，测试者手动补上后能跑。九个预设视角中，能看到厨房、窗边的 Mac、海报、以及隔壁 Kramer 的公寓。墙体位置和几何结构有明显错乱。对比其他模型的同类测试（比如 Kimi K3 的结果被形容为"很平庸"），这个结果不算差。

编年城市

最出人意料的是，模型主动选择用 Godot 而不是 Three.js 来做这个跨时代 3D 城市场景，还导出了一段视频时间线。车辆有尾气粒子、人物服装随年代变化，1985 年段出现了爆炸头、肩上录音机、切片披萨店和录像租赁店，2005 年段出现广告牌和电动车充电桩，2025 年段车辆变成无尾气、单条灯带造型，2055 年段是悬浮载具和无人机。

问题也很明显：行人倒着走、存在几何错误、街道照明没有随年代变化。但细节密度被评价为"第一眼相当有内容"。

成本账与最终判断

全部测试加起来花费约 47 美元，需要提醒这还是在半价期内。

测试者的核心结论是：相比前代 Mistral 模型，这是一次大幅度的能力跃升，把 Mistral 拉回到能和 GLM 5.3、Qwen 3.8 的 2.4 万亿参数版本、DeepSeek^广告 V4 Pro 同场讨论的位置——用他的话说，"至少在同一个邮编范围内"。没有任何一项测试让他惊为天人，但同样没有任何一项出现刺眼的崩坏。

需要放在天平另一端的因素是：这只是预览版检查点，强化学习仍在推进，权重尚未发布。测试者特别指出，Mistral 在社交媒体上长期被唱衰，这次的表现让他个人感到欣慰。接下来要面对的是 Qwen 4 系列以及可能出现的 GLM 5.5、DeepSeek V4.1 Flash 等对手，竞争只会更激烈。但多一个能打的选项，对所有人都是好事。

万圣节权重放出后，真正的社区检验才刚刚开始。