高空俯瞰城市，中央一座古典圆顶建筑被街区包围

这次发的不是产品，是「主权」的样本

10 月 6 日，法国 Mistral 放出 Mistral Large 4 的公有预览，官方给了它一个内部外号叫 le Chonk。规格上写着：1 万亿参数的原生多模态混合专家模型（MoE），每次推理激活 490 亿参数。它以开放权重形式发布，权重月底放出，眼下先通过 Mistral Studio 提供预览 API。定价同步公开：输入每百万 token 1.36 美元，输出 4.18 美元。

训练在哪、用什么卡，这件事被单独讲了一节

原文专门用「Forged in Europe」一节说明：模型是从零开始、在 Mistral 自有的欧洲数据中心、用 3800 张 NVIDIA Grace Blackwell 显卡训出来的，预览服务也跑在同一套基础设施上。训练数据里相当一部分是多语言的，覆盖 160 多种语言。这一段对欧洲客户的意味很直接——出问题时的管辖法律、数据落点、上游供应商是否与你同在一个监管域，都被算进了模型选型。

安全能力是它最敢押注的方向

反常识的地方在于，Mistral 把网络安全摆在了最前面。在独立评测 Artificial Analysis Cyber Index 上，ML4 进入全球前五；在其中一项「复现开源软件真实漏洞并打补丁」的测试里拿到 82%，官方称是当轮最高；Cybench 的 40 道安全竞赛题目解出 93%。原文还点了一句耐人寻味的对比：一些头部闭源模型在同一测试上得分接近零，原因是它们拒绝执行任务。对做安全运营的人来说，这恰好戳中痛点——防守的第一步往往是先证明漏洞真的存在。

工程与智能体能不能干活，看的是另一组数字

编码方面：DeepSWE v1.1 得 61.7%，SWE-Atlas-QnA 得 59.4%，Terminal-Bench 4 得 28.3%，综合 Coding Agent Index 49.8%。在模拟 Gmail、Sheets、Slack、Salesforce 的 657 条业务流程评测 AutomationBench 上得 59.9%，长周期知识工作评测 AA-Briefcase 拿到 1393 Elo。视觉定位（visual grounding）这一项官方称超过了闭源前沿模型，Dense 200 上是 42% 对 41%。训练侧的口径也给了：3000 张 GPU 规模下，一次训练每天产出约 330 亿 token，其中约 160 亿是可用于训练的有效补全 token。

对做企业数字化、小团队的实际启发

三条比较实在的。第一，开源权重 + 可自部署 + 覆盖 160 多种语言，这个组合对做跨境业务、或者数据不能让第三方碰的团队，是可以真正拿去比价和试跑的选项，而不是纸面参数。第二，它把「模型拒绝执行」当成竞品差距来讲，提醒我们选模型时要按任务是否会被拒来打分——很多企业场景卡住的不是智力上限，而是模型半路罢工。第三，要冷静看发布节奏：现在只是预览，版权重月底才放，架构细节和后训练方法官方说后续再补。真要用在项目里，别在权重到手、自己跑通合规与效果验证之前就写进交付方案。