1.05 万亿参数的模型把权重交出来了：Mistral Large 4 打的不是参数战

过去两年，参数规模的头条几乎都被闭源模型占着：万亿参数、百万上下文、原生多模态，样样都能讲，唯独不能下载。Mistral 这次把三件事同时摆上桌——1.05 万亿总参数、100 万词元上下文、开放权重——顺序很重要，最后一项才真正改变格局。

因为对企业来说，「能下载」意味着三件事：数据不出内网、成本可预测、版本可冻结。前两条是合规与财务问题，第三条是工程问题——闭源模型半年一换代，你的评测基线每隔几个月就要重跑一次；有权重，你可以把一个版本钉在生产上，直到自己决定换。

但要看清时间差：10 月 6 日开放的是 API 公共预览，权重承诺「月底前」放出，而发布时的官方文档页还没有许可证细节。也就是说，现在能评估的是能力与价格，「能不能商用自托管」这个问题还没有答案。把这一点写进立项材料，能省掉后面很多返工。

混合专家（MoE）的核心思路不新：把一个大模型拆成许多「专家」子网络，每个词元只走其中少数几个。结果是总参数可以堆到很大，单次推理的算力却只按激活参数算。Mistral Large 4 的数字是 1.05 万亿总参数、520 亿激活。

这个结构解决了「能力与成本」的矛盾，却把复杂度挪到了工程侧：专家要分布在多张卡上，路由一旦不均，就会有的卡忙死、有的卡闲着；批处理调度、显存碎片、跨卡通信都会成为吞吐瓶颈。这解释了一个常见现象——同样标称 520 亿激活，不同服务商的实测吞吐能差一倍以上。

顺带说个细节：第三方聚合平台把激活参数写成 490 亿。这类差异通常来自「是否把视觉编码器与嵌入层算进激活量」。数字本身不重要，重要的是提醒你：看到任何 MoE 参数，先确认口径，再拿去和别的模型比。

对采购方的实际含义是：不要用「总参数」做容量规划，也不要用「激活参数」做能力评估。前者决定你要买多大的机器，后者决定你每千词元花多少钱，两笔账要分开算。

100 万词元大概是什么量级：一整本技术手册、一份几百页的合同包、或者一个中型项目的核心代码。对做文档问答、合同比对、代码库理解的人来说，这个长度足够省掉大量切片与检索工程——而这部分工程，恰恰是过去两年 RAG 项目里最耗人的地方。

但上下文不是免费的。注意力计算随长度增长，KV 缓存占用随对话轮次累积。Mistral 把缓存输入定到每百万词元 0.14 美元，只有常规输入的十分之一，用意很明确：鼓励你把不变的部分（系统提示、知识库前缀、工具定义）放在前面命中缓存。

第三方平台把上下文标成 524K，与官方 100 万不一致。这类分歧在聚合层很常见，可能来自服务端的保守截断。选型时的正确做法是：以官方模型页为准，然后用你自己的最长样本做一次真实压测，看 80 万词元时首词元延迟和账单能不能接受。

官方说这个模型在 Mistral 欧洲自有数据中心的 3800 张 NVIDIA Grace Blackwell 上从零训练，预览 API 跑在同一套基础设施上。这句话里有两个信息点值得单独拎出来。

「从零训练」意味着不是微调、不是蒸馏、不是拿别人的权重继续训。对做技术尽调的人来说，这是判断一个团队是否具备前沿训练能力的硬指标——能从头训出万亿级 MoE 的团队，全球数量有限。它同时意味着训练数据的构成、清洗策略、配比都是自己定的，出问题时能找到根因，而不是被上游的黑箱卡住。

「欧洲自有数据中心」则是定位问题。Mistral 一直把「数据主权」当核心卖点：模型在欧洲训练、在欧洲推理、受欧盟数据保护框架约束。对需要把数据留在特定司法辖区的跨国企业，这条比参数值钱得多——尤其当采购流程里法务的否决权大于技术部门的选择权时。

还有一句容易被忽略：训练数据覆盖 160 多种语言，包含全部欧盟官方语言。这是它相对美国厂商的结构性优势，也是中国出海企业做欧洲市场时可以借力的一点——小语种的表现往往比榜单总分更能决定落地体验。

不过「从零训练」也意味着成本结构完全不同。3800 张 Grace Blackwell 是一笔以亿美元计的固定资产投入，加上电力、机房与运维，摊到每一次推理上并不会凭空变便宜。厂商敢把价格定到 1.36 美元，靠的是把这张卡的利用率长期压在较高水位——这和云厂商的逻辑一样，卖的从来不是算力，是「填满算力的能力」。

Mistral 公布了一组相当具体的结果：智能体编码 DeepSWE v1.1 61.7%、SWE-Atlas-QnA 59.4%、Terminal-Bench 4 28.3%，合成编码智能体指数 49.8%；跨应用自动化 AutomationBench 59.9%，覆盖 Gmail、Google Sheets、Slack、Salesforce 的 657 条业务流程；网络安全方向 Cybench 40 题解出 93%，另有一项「复现并修补真实开源漏洞」的测试拿到 82%；对 Lakera B3 提示词注入基准的抵抗率 93.3%。

还有一个人工评测：与 Surge AI 合作的盲评中，专业标注员给这个预览版打了 3.74 分（满分 5），在五个模型里排第二，仅次于 Claude Opus 5 的 4.22。这个分数的意义在于它测的是「人觉得好不好用」，和刷榜不是一回事。

但所有这些话都要加同一个注脚：全部是厂商自报、针对预览版、未经独立复现。Mistral 自己也说模型「仍在快速迭代」。基准分数的作用是给你一个「值不值得花两天做评测」的理由，而不是采购依据。

第一处是上下文：官方 100 万，聚合平台 524K。第二处是激活参数：官方 520 亿，聚合平台 490 亿。第三处最要紧——许可证：发布时官方文档页没有许可条款，而「开放权重」在业内有多种写法，从 Apache 2.0 到带商用限制的自定义协议都有。

这三处冲突的共同点是：它们都不会出现在发布会的 PPT 上，却都会在你上线三个月后变成问题。上下文被截断，长文档场景直接失效；激活参数口径不同，容量规划会算错；许可证没看清，商用自托管可能踩线。

工程上的处理办法很土，但有效：把「官方模型页 + 迁移文档 + 许可证原文」三份材料在立项会上过一遍，逐条抄进选型表，任何来自第三方平台的数据都标注来源与抓取日期。半年后回头看，这份表比任何评测报告都值钱。

对国内团队，Mistral Large 4 最现实的价值不是「便宜」，而是「多一个可部署的选择」。当你的架构里只有一个模型供应商时，价格、限流、区域可用性、条款变更，任何一项变动你都没有议价空间。

但它不适合被当成「国产模型的平替」。中文语料、本地合规、发票税务这类强本地化场景，国产模型与本地服务商的优势仍然明显；Mistral 的强项在多语言、长文档、欧洲合规与开放权重。用错场景，再好的模型也是浪费。

真正值得考虑它的场景有三类：产品要卖到欧洲、需要把推理放在欧盟境内；业务涉及大量非中文文档处理；以及需要把模型权重冻结在某个版本、做长期可复现的评测与合规留证。

还有一类容易被忽略：做多语言客服与跨境电商的团队。这类业务的语料天然是多语种混杂，中文模型在德语、法语、西班牙语上的表现往往不稳定，而换一个在 160 多种语言上训练过的底座，能省掉大量「按语种分流到不同模型」的编排工作。

把这次发布放进十月的整体节奏里看，会更清楚：10 月 17 日英伟达开源 Nemotron 3.5 Super VL 与 Bolt，10 月 18 日 Reflection Beam 以 Apache 2.0 放出 501B，10 月 20 日 DeepSeek 开源生产级推理框架 DeepInfer，10 月 22 日 Mistral 承诺月底放出 1.05T 权重。

这不是巧合，而是策略收敛：当模型能力差距缩到几个月，闭源的护城河就从「更强」变成「更省心」；而开放权重阵营争夺的，正是那些「不想被单一供应商锁住」的客户。两边卖的东西不一样——一边卖确定性，一边卖自由。

对买方的好消息是选择变多，坏消息是决策变难。三年前选模型看榜单，现在要同时看许可证、缓存策略、上下文的真实可用长度、区域合规和退出成本。技术选型正在变成采购与法务的联合项目，这未必是坏事——它意味着 AI 终于被当成正经基础设施在对待。