2026 年 10 月 6 日，Mistral AI 以公開預覽的形式發佈了 Mistral Large 4，內部代號 Le Chonk，簡稱 ML4。按照模型文檔，這是一個細粒度混合專家（MoE）模型：總參數 1.05 萬億，每個 token 激活 490 億，另帶一個 16 億參數的視覺編碼器，上下文窗口為 100 萬 token。它是在 Mistral 位於歐洲的自有數據中心內、用 3800 塊 NVIDIA Grace Blackwell GPU 從零訓練完成的。
在架構層面，ML4 屬於指令與推理混合的 MoE，原生支持圖像輸入。每個 token 只激活約 4.7% 的權重，這也是萬億級模型能夠以中端價格提供服務的原因。但需要注意，完整的 1.05 萬億參數仍需全部駐留顯存——激活參數決定的是計算量，而不是硬件賬單。目前 Mistral 尚未公佈專家數量、top-k 路由策略和層結構，這些信息會隨權重一起發佈。訓練數據覆蓋 160 多種語言，其中包含所有歐盟官方語言。
API 現已上線，輸入價格為每百萬 token 1.36 美元，輸出每百萬 token 4.18 美元。緩存輸入的價格是每百萬 token 0.14 美元，在 100 萬 token 上下文的場景下，這一價格會顯著影響長時智能體循環的成本結構。權重承諾在 2026 年 10 月底發佈，因此目前還不能自行部署，許可證也尚未公佈。
性能方面，網絡安全是最亮眼的部分：Mistral 報告 Cybench 得分 93%、CyberGym-E2E 得分 82%，在 Artificial Analysis Cyber Index 上進入全球前五。更值得關注的是其背後的結構性論斷——Mistral 表示，若干閉源前沿模型在 CyberGym-E2E 上接近零分，原因在於它們直接拒絕執行任務。復現漏洞以驗證其真實存在，屬於標準的防禦性安全工作，而服務商層面的拒絕會直接阻斷這類工作。
在智能體編程方面，Mistral 給出的數據是 DeepSWE v1.1 61.7%、SWE-Atlas-QnA 59.4%、Terminal-Bench 4.0 28.3%，合併計算後的 Artificial Analysis Coding Agent Index 為 49.8%。Mistral 也説明，這些結果是在測試框架公開之前私下評估的，因此目前尚不能獨立復現。相比之下，與 Surge AI 合作的盲測人類評估可能是更誠實的信號：專業標註員給 ML4 Preview 打了 3.74 分（滿分 5 分），在 5 個模型中排名第二，領先 GLM-5.3（3.60）和 Kimi K3（3.59），但落後於 Claude Opus 5 的 4.22。安全性上，ML4 在 Lakera 的 B3 基準上能抵禦 93.3% 的攻擊，在 KORABench 上得分 1.691（滿分 2.0）。
與最接近的開源權重競品相比，幾款模型的定位差異明顯。DeepSeek V4 Pro 總參數 1.6 萬億、每 token 激活 490 億、上下文 100 萬 token，不支持原生圖像輸入，權重已上架 Hugging Face，採用 MIT 許可證，API 價格因提供商而異，於 2026 年 8 月發佈（0813 構建）。Kimi K3 總參數 2.8 萬億、每 token 激活約 1040 億、上下文 100 萬 token，支持原生圖像輸入，權重自 2026 年 7 月 27 日起可用，採用 Modified MIT 許可證，輸入/輸出價格為 3 美元/15 美元，2026 年 7 月 16 日發佈。GLM-5.3 的總參數與激活參數未正式公佈，上下文 100 萬 token，不支持原生圖像輸入，權重情況依據 Artificial Analysis，採用 GLM-5.3 許可證，價格為 1.40 美元/4.40 美元，2026 年 8 月 14 日發佈。ML4 的差異化優勢在於原生多模態、100 萬 token 上下文和較低的 API 價格，但權重與許可證仍待公佈，這是它相對其他開源權重模型最明顯的短板。
今天就能用它做什麼？預覽 API 支持函數調用、結構化輸出、文檔問答、批處理，以及 Agents 和 Conversations 端點。緩存輸入 0.14 美元/百萬 token 的定價，讓 100 萬上下文下的長時智能體循環在經濟上變得更可行。整體來看，ML4 是一次分量不輕的歐洲主權 AI 發佈：訓練和部署都在歐盟數據中心完成，模型規模邁入萬億級，同時在網絡安全這類閉源模型常常拒絕的領域給出了差異化表現；但權重、許可證以及第三方獨立復現，仍是需要繼續觀察的待驗證項。