Mistral Large 4上线，万亿参数的新旗舰

Mistral AI于2026年10月6日推出Mistral Large 4（简称ML4）公开预览版，称其为新一代旗舰模型。它采用万亿总参数、490亿激活参数的混合专家架构，具备原生多模态能力；模型权重则计划于10月底开放。对开发者来说，现在最值得关注的不是“万亿参数”这个数字本身，而是这款模型能否在实际推理成本、部署门槛和复杂任务表现之间，给出比上一代更有竞争力的组合。

先看重点：预览已开放，开放权重尚未兑现

Mistral Large 4是Mistral AI新一代旗舰模型，目前提供公开预览体验。公开预览意味着开发者可以先接触模型、观察其能力，并在产品原型或评估流程中试用；它不等于最终版本已经全面发布，也不代表模型权重已经可以下载。

| 项目 | 已公布信息 | 对开发者的意义 | |---|---|---| | 模型名称 | Mistral Large 4，简称ML4，代号le Chonk | Mistral Large系列的新一代旗舰 | | 发布时间 | 2026年10月6日发布公开预览版 | 可以开始做初步试用和任务评估 | | 参数规模 | 总参数1万亿，激活参数490亿 | 总规模描述模型容量，激活参数更接近单次推理实际调用的部分规模 | | 架构 | 混合专家架构 | 输入不同，模型可调用不同专家模块；实际效率仍取决于推理实现和硬件 | | 模态 | 原生多模态 | 目标是把多模态能力纳入模型设计，而非仅凭文字描述推断具体支持范围 | | 权重计划 | 官方称计划于2026年10月底开放 | 在权重与许可证公布前，不能把模型视作已可自行部署的开放权重模型 | | 训练信息 | 据报道使用4000块英伟达Grace Blackwell GPU，训练约两个月 | 训练硬件和时长是成本与工程投入的线索，不等同于推理部署要求 |

万亿参数容易成为报道标题，但不能直接等同于“每次生成都要计算一万亿个参数”。ML4采用混合专家（Mixture of Experts，MoE）架构：MoE是一种把模型拆分为多个专家模块、再按输入选择部分专家参与计算的架构。官方资料称，ML4总参数为1万亿，激活参数为490亿。两者的差距表明，模型整体容量与单次推理实际激活的参数量并非一回事。不过，激活参数也不能单独决定推理成本；显存、并行策略、上下文长度、批处理和服务实现都会影响实际表现。

这让ML4处在一个熟悉但仍有价值的位置：模型容量继续变大，单次计算则试图通过稀疏激活控制。它不是“万亿参数就一定更聪明”的简单故事。真正影响开发者选型的，是它在代码仓库级任务、长文档理解、多语言输出和图文输入上的效果，以及跑出这些效果所需的延迟和成本。目前发布信息尚不足以完整回答这些问题。

原生多模态，能力边界还要等实测

原生多模态模型是指在模型设计与训练中直接纳入多种类型的数据与任务，而不是只把图像等内容先转换成文字，再交给纯文本模型处理。Mistral将ML4描述为原生多模态模型，并表示其面向代码、网络安全、制造业、金融及多模态相关任务。

这类定位对企业用户有现实意义。制造业的质检流程可能同时涉及设备照片、操作记录和维修文档；金融分析可能要把表格、报告与文字问题放在一起处理；代码助手则需要跨文件理解程序结构，再结合终端输出或截图定位问题。如果一个模型能在同一条工作流中处理这些输入，系统就不必把每种模态拆成多个模型和中间转换环节，集成成本有机会降低。

但“原生多模态”不是能力清单。它本身没有说明模型能处理哪些图像分辨率、是否支持视频或音频、对复杂图表的识别准确率如何，也没有给出特定行业任务的可复现评估。现在更稳妥的判断是：ML4把多模态作为模型的核心方向之一，具体能否覆盖生产系统需求，还得等官方公布任务细节并由开发者自行测试。

竞品比较，先别把不同口径的数字放在一起

ML4面向的是开放权重与商业模型交叉竞争的市场。比较时，不能把总参数、激活参数、上下文长度和跑分混成一个结论：参数量描述模型规模的一部分，基准测试反映特定任务表现，部署条件则决定实际使用成本。Mistral目前披露的资料还不够支持完整的横向性能表，因此与其填入未经核实的竞品数字，不如把可确认的信息和待补项分开。

| 比较维度 | Mistral Large 4已知信息 | 现阶段缺口 | |---|---|---| | 模型规模 | 1万亿总参数、490亿激活参数 | 尚需结合部署配置理解推理成本 | | 多模态 | 官方定位为原生多模态 | 公开资料仍需明确具体输入、输出和评测范围 | | 基准测试 | 官方发布页面称后续会分享更多基准 | 缺少完整、可对照的同口径跑分数据 | | 权重与许可 | 计划于2026年10月底开放权重 | 需等待实际权重、许可证及使用限制 | | 部署选择 | 预览可通过Mistral平台及合作云服务接触 | 可用地区、服务规格和价格应以实际页面为准 |

官方表示，模型权重开放时还会补充架构细节、更多基准结果和后训练方法。这个时间表很关键：如果权重如期开放，开发者才能进一步检查模型、比较不同推理框架的支持情况，并评估自托管是否符合数据治理要求。在此之前，ML4更适合被看作可试用的新旗舰，而不是已经完成开放部署验证的模型。

对开放权重路线的意义

Mistral Large 4延续了Mistral试图同时经营商业服务与开放模型生态的路线。开放权重能让组织在获得模型文件后，自行选择部署环境、推理框架和数据边界；但“开放权重”不自动意味着不受限制的开源，也不能替代对许可证、训练数据、模型用途和商用条件的核查。对企业决策者而言，权重是否开放只是起点，部署所需的GPU资源、运维能力、许可证义务和推理成本才是后续账单。

训练侧公布的规模同样值得关注，但不要与推理成本混为一谈。据报道，ML4在Mistral位于欧洲的数据中心使用4000块英伟达Grace Blackwell GPU训练约两个月。这个信息说明训练投入不小，也反映Mistral持续建设自有算力基础设施的方向；它不能直接推导出单个用户运行模型需要4000块GPU，也不能说明模型在单张卡或普通服务器上能否部署。后者必须等权重、量化方案和官方部署建议公开后再判断。

这也是ML4对企业最实际的考题：如果模型只能在大规模集群上运行，开放权重的价值主要体现为控制权和定制能力；如果它能通过合理量化和推理优化降低门槛，才更可能进入更多组织的本地工作负载。现阶段没有足够公开数字证明它已经解决了这个问题。

谁值得现在试用

对需要评估欧洲供应商、关注多语言能力，或已经在使用Mistral平台的团队，ML4预览版值得进入候选名单。可以先用内部非敏感样例验证代码修改、文档问答、图文理解和结构化输出等具体任务，并记录准确率、响应时间、失败类型和成本。相比只问“它有多强”，这种测试更能回答“它能不能替换我现有流程中的某个环节”。

如果团队的核心诉求是立刻获得可自托管的万亿参数模型，或者需要能够通过公开基准与竞品直接比较的证据，目前仍应等待。权重尚未按计划实际开放，更多基准、后训练方法和完整架构细节也还在后续披露范围内。采购或技术选型若在这一阶段做出，就需要把这些未知项列为风险，而不是当作已解决的产品能力。

接下来观察什么

ML4接下来最值得跟踪的有三件事：第一，权重是否在2026年10月底如期开放，许可证如何规定商用和再分发；第二，官方公布的基准是否包含代码、推理、多语言和多模态任务，并提供可复核的测试口径；第三，不同部署渠道的价格、区域覆盖和运行性能能否支撑企业工作负载。

Mistral Large 4已经用万亿总参数、490亿激活参数和原生多模态能力设定了一个足够醒目的发布起点。但以当前披露看，它的看点更多是架构方向与开放权重计划，而不是已被充分验证的性能优势。对开发者来说，现在可以试；对需要定型的团队来说，等权重、评测和部署数据齐了再下结论更合适。