Mistral Large 4开放权重模型发布，编程能力领先GLM-5.3一个百分点：“竞争对手能做的事，这个模型没有做不到的。”
内容提要
Mistral在Hugging Face发布开放权重模型Mistral Large 4（ML4），称其为全球最强开放智能体编程模型，在编程和网络安全基准上略胜GLM-5.3，且每任务平均少用47%的token。该模型经强化学习显著提升，训练仅耗约10兆瓦电力。Mistral强调开放权重对透明性和业务连续性的重要性，并计划推出可在笔记本运行的小型模型系列。
延伸解读
开放权重的现实意义：业务连续性与透明度
Mistral强调开放权重能确保业务连续性、透明性和可审计性。文章引用OpenAI限制Cursor访问、美国政府要求Anthropic暂停服务等案例，说明依赖闭源模型可能面临服务中断风险。开放权重允许模型在自有或可信基础设施上运行，避免被单一供应商切断。但Anthropic CEO曾指出，开放权重无法解决算力基础设施集中问题，读者需权衡开放权重带来的自主性与底层算力依赖之间的张力。
编程基准领先微弱，效率优势更值得关注
在Terminal-Bench 4.0上，ML4得分41%，仅比GLM-5.3的40%高一个百分点，领先幅度有限。但Mistral强调ML4每任务平均少用47%的token，这意味着实际使用中可能更快、成本更低。不过，该效率数据由Mistral自行提供，且其VP承认“没有信息表明别人能用同样资源做到”，读者应谨慎看待厂商自报的对比结果，关注第三方独立评测。
网络安全能力突出，但对比对象需留意
在CyberGym E2E防御性网络安全测试中，ML4得分79%，远超GLM-5.3的29%，但后者的小型版本GLM-5.3 Flash得分74%，差距缩小。ML4与MiMo-V2.6-Pro的79%持平，超过DeepSeek v4.1 Flash的76%。这些数据表明ML4在网络安全任务上有较强表现，但部分对比模型并非同一量级，读者应结合模型规模、应用场景综合判断，而非仅看分数差距。
训练资源效率与未来路线图
Mistral称ML4的强化学习仅消耗约10兆瓦电力，训练使用约3800块Nvidia Grace Blackwell GPU，耗时约两个月。其VP表示，若获得10倍资本，将利用效率增益进一步推进。此外，Mistral计划推出可在笔记本运行的小型模型系列，并称ML4只是“垫脚石”。这些信息暗示Mistral正以资源效率为差异化策略，但实际效果仍需后续模型验证。
Q&A
Mistral Large 4 在编程基准上的表现如何？
根据 Mistral 的数据，ML4 在 Terminal-Bench 4.0（编程智能体基准）上得分 41%，略高于 GLM-5.3 的 40%，成为全球最强的开放智能体编程模型。
Mistral Large 4 相比竞争对手在效率上有什么优势？
ML4 平均每个任务比 GLM-5.3 少用 47% 的 token，这意味着用户可以更快、更低成本地完成任务。
Mistral 为什么坚持开放权重？
Mistral 认为开放权重能确保业务连续性、透明性和可审计性，避免 AI 被少数公司或政府切断，就像电力一样不应被垄断。
Mistral Large 4 在网络安全方面的能力如何？
在 CyberGym E2E 防御性网络安全测试中，ML4 得分 79%，远超 GLM-5.3 的 29%，并持平 MiMo-V2.6-Pro 的 79%，可用于自动化渗透测试等场景。
Mistral Large 4 的训练成本和资源消耗是多少？
ML4 使用约 3800 块 Nvidia Grace Blackwell GPU 训练了约两个月，强化学习阶段仅消耗约 10 兆瓦电力，远低于竞争对手。
Mistral 未来有什么模型发布计划？
Mistral 计划推出 Le Chonk 的小型模型系列，其中一款可在笔记本电脑上运行，并继续扩展模型家族。
