摘要

2026 年 10 月 6 日，法国 AI 公司 Mistral AI 发布了其新一代旗舰模型 Mistral Large 4，内部代号 “Le Chonk”（英文俚语，意为"胖乎乎的大块头"）。这是一款总参数量 1.05 万亿、激活参数约 490 亿（计入嵌入层约 520 亿）的混合专家（MoE）模型，配备 16 亿参数的视觉编码器，原生支持文本与图像输入（输出为文本），上下文窗口官方宣称可达 100 万 Token。Mistral 把它定位为"美国与中国之外最智能的模型"，并承诺在 10 月底开放权重。这次发布的看点不只是参数规模，更在于它把"欧洲自研、自有数据中心、从零训练"这条路线完整走了一遍。本文从架构、基准、定价与工程现实四个层面，做一次尽量不带滤镜的评测。

事件背景

Mistral AI 是欧洲最具代表性的大模型公司，此前靠一系列"小而强"的开源权重模型和面向企业的商业化产品站稳了脚跟。其上一轮融资是一笔 3 亿欧元（Series D），公司的核心叙事一直是"主权的、开放的、可自主部署的欧洲 AI"。在 OpenAI、Google、Anthropic 轮番发布前沿模型，而中国厂商用密集的开放权重模型（Kimi、DeepSeek、Qwen 等）持续冲击开源榜单的背景下，Mistral 需要一个真正意义上的旗舰，来证明欧洲路线依然站在第一梯队。

Mistral Large 4 就是这个答案。它是 Mistral 首次在总参数迈过万亿门槛，也是它第一次把原生多模态（视觉编码器内置于模型）和超长上下文同时做进旗舰模型。更重要的是，Mistral 强调这次是在自己的欧洲数据中心、用 3,800 张 NVIDIA Grace Blackwell GPU、从头训练约两个月完成的——在当前算力与地缘政治的语境里，这句话本身就是一种宣言。

核心技术解析

技术架构

Mistral Large 4 的技术路线可以概括为"大稀疏 + 全模态 + 长上下文“三条主线。

首先是极致的稀疏化。1.05 万亿总参数里，每个 Token 实际只激活约 490 亿（约占总量的 4.7%）。这种高稀疏 MoE 的好处是：模型容量（知识存储与表达能力）可以做得极大，而单次推理的计算量仍维持在数十亿参数级别，推理成本与响应速度不至于失控。Mistral 还把它设计成混合式"指令 + 推理"模型——同一个权重既服务于快速指令响应，也服务于需要多步思考的推理任务，而不是拆成两个模型。

其次是原生多模态。一个 16 亿参数的视觉编码器被直接编入模型，使它能"看懂"图片输入并与文本联合推理，而不是靠外挂一个视觉模块。对文档、图表、界面截图这类企业场景，这种原生融合通常比拼接方案更稳。

  graph TD
    A[Mistral Large 4 'Le Chonk'] --> B[总参数 1.05 万亿 / 激活约 490 亿 MoE]
    A --> C[16 亿参数原生视觉编码器]
    A --> D[官方 100 万 Token 上下文]
    B --> E[高稀疏: 单 Token 仅激活约 4.7%]
    C --> F[文本 + 图像输入, 文本输出]
    D --> G[长文档 / 整仓代码 / 多轮智能体]
    A --> H[混合式: 指令 + 推理同权重]
    A --> I[自建欧洲数据中心训练]
    I --> J[3,800 张 Grace Blackwell GPU]
    J --> K[从零训练约两个月]
    A --> L[160+ 语言, 覆盖全部欧盟官方语言]

最后是长上下文与多语言。官方给出的上下文窗口是 100 万 Token，但独立测评机构的实测口径更保守，落在 512K–524K 区间——这种"宣传口径 vs 实测口径"的差距在前沿模型里并不罕见，使用时应以实测为准。语言方面，模型覆盖 160 多种语言，并包含全部欧盟官方语言，这显然是为欧洲公共部门与跨国企业客户准备的。

关键创新点

1. 万亿级高稀疏 MoE，训练全程自研：在自有数据中心、用 3,800 张 Grace Blackwell 从零训练约两个月，意味着 Mistral 试图证明"不依赖美国云、也能训出前沿模型”。
2. 原生多模态 + 长上下文同框：视觉编码器内嵌、上下文拉到数十万至上百万 Token，瞄准的是文档理解、图表问答、整仓代码分析等重场景。
3. “欧盟官方语言全覆盖"的合规卖点：对受数据主权与合规约束的欧洲客户，这是比纯榜单分数更实在的吸引力。

性能评测

Mistral 公布的部分基准数据（偏智能体与编码方向）如下：

这里有几个必须点出的细节。Artificial Analysis 智能指数 38.4，在开放权重榜单上排到第 8 位，前面是 7 款中国模型；换句话说，Mistral 称它是"美中之外最智能的模型"是成立的，但"全球最智能的开放权重模型"并不成立。另外，该指数对应的强化学习（RL）训练据报道"仍在进行中”（still in flight），所以现在的分数很可能不是最终形态，开放权重版本的实际上限还要等等看。

行业影响

对市场的影响

Mistral Large 4 的意义不只是"欧洲又出了一个强模型"，而是它对开放权重阵营格局的一次重新划线。此前开放权重榜单的头部几乎被中国厂商包揽，Mistral 用一个万亿级、原生多模态的旗舰重新挤进前十，等于给"非美非中"这条路线续上了存在感。对于受合规约束、又不愿完全依赖美国闭源 API 的欧洲与部分亚洲客户，它提供的是第三种选择。

对开发者的意义

三个可落地的判断：

• 关注开源权重的时间表：Mistral 承诺 10 月底开放权重（外界普遍预期在 10 月 27 日前后），但具体许可证尚未公布。许可证条款（尤其是商用与再分发限制）将直接决定它能否像 Llama、Qwen 那样被广泛二次集成。
• 别只看宣传口径的上下文：官方说 100 万 Token，独立实测在 512K–524K。长文档任务应按实测上限设计分段策略。
• RL 未收敛意味着分数会变：现在的榜单分数带有"训练中"的水分或滞后，做选型决策时应等权重开放后的复核结果。

商业化前景

Mistral 采取的是"开放权重 + 官方 API 双轨“打法：一边用开放权重吸引生态与自部署客户，一边用 API 变现。其 API 定价（列表价）为每百万 Token 输入 1.36 美元 / 输出 4.18 美元，并在为期两周的推广期内腰斩到 0.68 美元 / 2.09 美元。这个促销价在旗舰级模型里颇具攻击性，但促销期结束后是否回归常态，将直接影响它的性价比定位。

实际体验

使用场景演示

从能力面看，Mistral Large 4 最舒服的场景有三类：长文档与图表理解（原生视觉 + 长上下文的组合）、代码仓库级分析（数十万 Token 上下文可容纳中等规模仓库）、以及网络安全与软件工程智能体（Cybench 93%、DeepSWE 61.7% 的分数指向这一类动手型任务）。对需要"读懂截图 + 结合长文本推理"的企业流程，原生多模态比外挂视觉方案更省心。

反之，在纯对话、短文本这类轻量场景里，用它属于"杀鸡用牛刀”——万亿参数模型的部署与推理门槛都不低，轻量任务应交给更小的模型。

优势与不足

优势：

• 万亿级高稀疏 MoE，容量大而推理计算量可控。
• 原生视觉编码器 + 超长上下文，文档与代码场景竞争力强。
• 网络安全、软件工程类智能体基准表现亮眼（Cybench 93%）。
• 160+ 语言、覆盖全部欧盟官方语言，合规与本地化优势明显。
• 自有数据中心从头训练，主权叙事完整。

不足：

• 开放权重榜单仅第 8，前面全是 7 款中国模型，“最智能"需加限定词。
• 上下文宣传口径（100 万）与实测（512K–524K）存在差距。
• RL 训练"仍在进行中”，当前基准分数未必是终态。
• 许可证尚未公布，商用与再分发条款存在不确定性。
• 万亿参数对自部署的显存与运维要求极高，普通团队难以上手。

总结与展望

Mistral Large 4（Le Chonk）是欧洲开源路线的一次"正面强攻"：用万亿级高稀疏 MoE 把容量做上去，用原生多模态和长上下文把场景做宽，再用自建数据中心和全欧盟语言覆盖把主权叙事做满。它的亮点清晰——架构选择务实、企业场景针对性强、基准在智能体方向上有真东西。需要保持清醒的地方也不少——开放权重只排第 8、上下文口径有水分、许可证未定、RL 还没收敛。

对开发者来说，接下来的关键节点是10 月底权重开放：届时许可证条款、真实上下文长度与收敛后的基准分数，才是决定它能否被广泛采用的三个硬指标。如果 Mistral 能在开源许可上足够宽松，它有望在欧洲及合规敏感市场撕开一条稳定的口子；如果许可偏严，它更可能停留在"官方 API 为主"的商业化形态。无论哪种结果，2026 年下半年的开放权重之争，都因为"Le Chonk"的到来而更有看头。

参考来源：

• Mistral AI 官方发布：Mistral Large 4
• The Decoder：Mistral 发布万亿参数 Large 4
• Artificial Analysis：Mistral Large 4 智能指数与排名
• Bloomberg：Mistral 新旗舰模型报道