10月30日，Mistral AI 把 Mistral Large 4 的权重放上了 Hugging Face。这个被内部叫做 Le Chonk 的模型，总参数约 1 万亿，每 token 激活约 490 亿，原生多模态，上下文 100 万 token。同一时间，API 价格下调约 50%。
硬件账先算清楚
官方定价：输入 0.70 美元/百万 token，缓存命中输入 0.07 美元/百万 token，输出 2.10 美元/百万 token。对比同量级的闭源旗舰，这个价位基本是“用开源打价格战”的姿态。本地部署方面，Unsloth 提供的 1-bit 动态 GGUF 量化把体积压到约 233GB——一台 256GB 内存的机器就能跑起来，虽然质量会有折损，但至少证明这条路通了。
首日支持也做得比较完整：transformers、vLLM、llama.cpp 都有 FP8 和 NVFP4 版本，Vercel AI Gateway 同步上架。对工程团队来说，这意味着不用等社区自己踩坑。
能力评估：强项很集中
- 编程：官方称在编码基准上领先 GLM-5.3 一个点，自称最佳开源编程模型。
- 防御性安全：Artificial Analysis Cyber Index 得分 82%，测试内容是“复现一个真实开源漏洞再打补丁”。有意思的是，多个闭源前沿模型在这项上接近零分——不是不会，而是自动护栏让它们拒绝执行任务。这正是开放权重在安全研究上的独特价值。
- 多模态与长上下文：100 万 token 够放下一整个中型代码仓库的索引，配合多模态可以做界面截图转代码。
没被重点宣传的部分
许可协议是 Mistral Ecosystem Open-Weight License，不是 Apache 2.0。商用基本可行，但大规模再分发和托管服务有附加条件，上线前务必让法务过一遍条款，别默认它是“随便用”。另外 1T 总参数意味着显存带宽压力大，高并发场景的吞吐表现取决于你的量化方案和 batch 策略，官方给的数字都是理想条件。
该不该换
三个判断标准：
- 如果你在做代码助手或安全审计类工具，值得优先试；
- 如果只是通用问答，闭源中端模型的价格已经很低，迁移收益不明显；
- 如果有数据不出境要求，开源权重是唯一解，Large 4 是目前少数“能力不掉档”的选项。
实操上建议先用 vLLM 起一个 FP8 实例，拿自己业务里 500 条真实样本做盲测，再对比我们此前评测的 GPT-6.1 Terra 这类低价电脑操作模型，看谁在你的场景里更划算。模型详情页见 Mistral Large 4。
优缺点速览
优点：开源可私有化、价格腰斩、安全基准突出、首日工程支持完善。
缺点：许可非完全自由、1T 参数部署门槛仍在、长上下文下的实际召回率需自测。
适合谁
有自建推理能力的团队、对数据合规敏感的行业客户、以及需要拿模型做安全研究的实验室。个人开发者更现实的用法是走 API，成本比自建低得多。