【2026 最新】Mistral Large 4 High 有用嗎？none／high 配對評估與回應解析教學

你把推理強度調高，等了更久，答案卻和原本差不多。Mistral Large 4 High 到底有沒有用？如果把模型的思考草稿也一起塞進 JSON 解析器，甚至可能連答案都讀錯。想判斷這個開關值不值得開，先要分清「回應讀對了嗎」與「任務真的做對了嗎」。

這篇寫給第一次做模型比較、願意照著範例跑一份小題集的讀者。我們用繁中資料擷取、程式修補和多步計算，教你建立 none／high 配對成績單。你會得到可複製的測試程式、驗收規則，以及保留 none、改用 high 或另找模型的判斷方法。這是一份依官方文件設計的評估教學，本文不提供 AlphaLab 未執行的模型成績。

截至 2026 年 10 月 7 日，官方 changelog將 mistral-large-4 列為 Public Preview。發布背景可先讀 Mistral Large 4 發表解析；本文集中處理測試方法。Simon Willison 的 10 月 6 日原始試用筆記也對 none／high 的差異提出疑問；這是他的有限觀察，並非整款模型失效的證明。

先說結論：Mistral Large 4 High 要用什麼證據判斷？

好設定＝能驗收的成果＋可接受的完成成本。 把 none 與 high 想成同一位解題者的兩種工作方式：一種較少展示草稿，另一種把草稿分區交出來。草稿長度只是過程訊號，最後交付正確資料、通過測試或算對結果，才是你要買的成果。

• 先驗解析：保留完整 JSON 回應，只把最終文字交給答案檢查。
• 再做配對：同題、同入口、同共同設定，每種模式三次，交錯順序。
• 最後算帳：格式、品質、延遲與費用分開記；三次是探索起點，不能替模型宣布通用勝負。

Mistral Large 4 High 與 none：先讀懂兩種回應

依 官方 reasoning 文件，reasoning_effort="high" 的 message.content 會以區塊列表呈現：type="thinking" 裡放推理文字，type="text" 放最終答案；none 則以字串呈現，省略可見 thinking 區塊。none 不是「完全不思考」的證明，high 也不是答對保證。

像老師收考卷：草稿紙可以保留查問題，答案欄才用來評分。不要把整個列表轉成字串，也不要把 nested thinking 裡的文字串到 final answer。程式應分支處理字串和列表；碰到未知區塊就留下原始回應、標記解析失敗，避免偷偷丟掉資訊後宣告模型答錯。

本文採非串流請求 stream:false，避免先把 streaming 的增量拼接也混進第一次比較。即使 final 看起來完整，也要保存 finish_reason：length 或 model_length 表示截斷訊號，不能和正常 stop 的結果混算。要處理多輪或工具呼叫，再另外建立題集；這次各題都是新的單輪請求。

五個零件：讓配對比較真的能對帳

①「身分收據」：固定入口，留下實際模型名稱

換一次入口，可能同時換掉路由與介接方式。這份題集固定原廠 https://api.mistral.ai/v1/chat/completions，模型選擇從 Models API核對。先執行 curl -sS https://api.mistral.ai/v1/models -H "Authorization: Bearer $MISTRAL_API_KEY" > models.json，確認帳號列出的 ID 或 alias。

模型卡與 changelog 使用 mistral-large-4，推理文件另列 mistral-large-4-0；這裡使用前者並保存 models 清單及每次回應的 model。這是在固定請求名稱，不是在聲稱永久固定後端權重。 Preview 變更後另開一輪，不把不同日期結果合併。若日後要追第三方路由，模型身分查核可以補上收據的判讀界線。

②「公平考場」：共同設定一致，只換 effort

先把相同 prompt、temperature:0.2、max_tokens:8192、response_format:{"type":"json_object"} 寫進 request 檔，再只切換 reasoning_effort。這些數值是教學配置，不是 Large 4 的最佳參數。Chat API有相應欄位；JSON 模式也要在題目明確要求 JSON。

先看第一組兩種模式是否接受相同請求。若有 400，先讀錯誤、修正兩邊共同配置，另開目錄重跑；不要只替其中一邊删參數。若經常截斷，下一輪同時調整預算，保留本輪失敗紀錄。所有預設值或省略欄位都應算配置的一部分，避免看完結果才悄悄改考場。

③「答案尺」：先寫正確答案，再送出題目

模型自己說「已完成」不算驗收。資料擷取要查欄位、型別和數值；程式修補要查功能測試；多步計算要用人工算式。把這些規則先寫好，評分時可隱藏模式名稱，降低你偏愛 high 的心理。格式成功與品質成功分成兩欄：合法 JSON 也能裝著錯的數字。

④「配對跑次」：同題各三次，交錯先後

每個任務先跑 none → high，下一次換 high → none，第三次再換回來。三類任務 × 兩模式 × 三次，共 18 個請求。這個小樣本能揭露解析、格式與明顯失敗，還不能估計廣泛任務的品質。相同題的重複也不是三個獨立題目；挑出差異後，要擴充留出題，避免只為這幾題調參。

⑤「完成帳單」：失敗、重試與人工收尾一起留

一次回應的 API 費用，和一件工作完成的費用不同。記下所有嘗試的 token、耗時、費用與人工分鐘，再算 每件合格成果 API 成本＝全部嘗試 API 費用 ÷ 合格成果數。若合格數為零，填「未交付」，不要填零成本；人工費用可再按你自己採用的時薪換算。

三類任務：用同一套方法，不用同一把尺

繁中擷取：「林小文購買 3 本筆記本，每本 80 元，免運。」要求 name、qty、total，預期為 {"name":"林小文","qty":3,"total":240}。先查唯一欄位集合及整數型別，再查姓名與金額。擴充時加入退款、同名欄位、全形數字與缺失資訊，預先定義缺失值如何表示。

程式修補：把 def clamp(x, lo, hi): return min(lo, max(x, hi)) 修成將 x 限制於閉區間的函式；只考 lo <= hi 的需求。驗收包含 clamp(-1,0,10)==0、clamp(5,0,10)==5、clamp(12,0,10)==10、兩個端點與 lo==hi。要保留簽名，也要檢查模型是否改動測試。

測試程式只保存模型提出的 code，不自動執行。把補丁放進你控制、沒有帳號金鑰且不連外的測試環境，先讀差異再跑既有測試；這裡省略沙箱建置，因為任務是比較模型回應。若要把它接成正式開發流程，可讀 Agent 回歸測試，補上必要證據與禁止動作。

多步推理：18 箱 × 24 件，出貨 137 件，再收到 5 箱 × 24 件，其中 12 件損壞。人工算式為 18×24−137＋5×24−12＝403，驗收 {"remaining":403}。這裡考的是清楚條件下的算術；將來可加入不同退貨規則，先寫好新答案，別把文字歧義直接算成模型推理能力。

可複製上手：產生一份保留原始回應的成績單

在已有 Python 3 與可用 Mistral API 帳號的環境，先於自己的 shell 設好 MISTRAL_API_KEY。將下面程式存為 evaluate.py，在一個新資料夾執行 python3 evaluate.py。它使用 Python 標準函式庫，依 官方 Chat 協定發送請求，輸出 ml4-runs/scorecard.csv、每次 request、完整 response 與 final answer。

程式採一次請求一次紀錄，不做自動重試；遇到 HTTP 400／401／403 就停止，先修正設定或存取權。429、timeout、未知回應和解析錯誤會留在 error 欄。它不會替你確認帳單、沙箱補丁品質或人工工時，這三項需要另外填。每輪使用新的工作資料夾，避免相同檔名覆蓋前一輪；不要把金鑰寫進程式或公開 artifact。

import csv, json, os, time, pathlib, urllib.request, urllib.error
OUT = pathlib.Path('ml4-runs'); OUT.mkdir(exist_ok=True)
MODEL = os.environ.get('ML4_MODEL', 'mistral-large-4')
KEY = os.environ['MISTRAL_API_KEY']
req = urllib.request.Request('https://api.mistral.ai/v1/models', headers={'Authorization':'Bearer '+KEY})
with urllib.request.urlopen(req,timeout=60) as response:
 raw_models=response.read(); (OUT/'models.json').write_bytes(raw_models)
cards=json.loads(raw_models)['data']
assert any(c['id']==MODEL or MODEL in c.get('aliases',[]) for c in cards), 'model unavailable'
TASKS = [
 ('extract', '從以下虛構訂單擷取資料，只回傳 JSON，欄位必須為 name、qty、total。姓名保持繁體中文，qty 與 total 為整數。訂單：林小文購買 3 本筆記本，每本 80 元，免運。', {'name':'林小文','qty':3,'total':240}),
 ('repair', '修補 Python 函式 def clamp(x, lo, hi): return min(lo, max(x, hi))。限制 lo <= hi，將 x 限制於閉區間 [lo, hi]；只回傳 JSON，唯一欄位 code，其值為完整函式程式碼。不要更改函式簽名。', None),
 ('reason', '假設倉庫有 18 箱，每箱 24 件。先出貨 137 件，再收到 5 箱，每箱 24 件，其中 12 件損壞不能出售。剩餘可售件數是多少？只回傳 JSON，唯一欄位 remaining，值為整數。', {'remaining':403})
]
def split_content(content):
 if isinstance(content, str): return content, False
 if not isinstance(content, list): raise ValueError('unexpected content shape')
 final, thinking = [], False
 for chunk in content:
  if chunk.get('type') == 'text': final.append(chunk['text'])
  elif chunk.get('type') == 'thinking': thinking = True
  else: raise ValueError('unknown chunk type: ' + str(chunk.get('type')))
 if not final: raise ValueError('no final text')
 return ''.join(final), thinking
rows=[]
for task_id, prompt, expected in TASKS:
 for repeat in range(1,4):
  # Alternate order to limit systematic time-of-day differences.
  for effort in (['none','high'] if repeat%2 else ['high','none']):
   rid=f'{task_id}-{repeat}-{effort}'; start=time.perf_counter()
   body={'model':MODEL,'messages':[{'role':'user','content':prompt}],
         'reasoning_effort':effort,'stream':False,'max_tokens':8192,'temperature':0.2,
         'response_format':{'type':'json_object'}}
   (OUT/(rid+'-request.json')).write_text(json.dumps(body,ensure_ascii=False))
   row={'run':rid,'task':task_id,'repeat':repeat,'effort':effort,
        'utc':time.strftime('%Y-%m-%dT%H:%M:%SZ',time.gmtime()),
        'model':'','finish_reason':'','thinking':'','format_ok':False,
        'quality_ok':'','input_tokens':'','output_tokens':'','seconds':'',
        'api_cost_usd':'','human_minutes':'','error':''}
   req=urllib.request.Request('https://api.mistral.ai/v1/chat/completions',
       data=json.dumps(body).encode(),headers={'Authorization':'Bearer '+KEY,
       'Content-Type':'application/json'})
   try:
    with urllib.request.urlopen(req,timeout=300) as response:
     raw=response.read(); (OUT/(rid+'-response.json')).write_bytes(raw)
    data=json.loads(raw); choice=data['choices'][0]
    row['model']=data.get('model',''); row['finish_reason']=choice['finish_reason']
    usage=data.get('usage',{})
    row['input_tokens']=usage.get('prompt_tokens','')
    row['output_tokens']=usage.get('completion_tokens','')
    answer, thinking=split_content(choice['message']['content'])
    row['thinking']=thinking
    (OUT/(rid+'-answer.txt')).write_text(answer)
    value=json.loads(answer)
    if task_id=='extract':
     row['format_ok']=isinstance(value,dict) and set(value)=={'name','qty','total'} and isinstance(value['name'],str) and type(value['qty']) is int and type(value['total']) is int
    elif task_id=='reason':
     row['format_ok']=isinstance(value,dict) and set(value)=={'remaining'} and type(value['remaining']) is int
    else:
     row['format_ok']=isinstance(value,dict) and set(value)=={'code'} and isinstance(value['code'],str)
    if expected is not None: row['quality_ok']=row['format_ok'] and value==expected
    # repair quality is filled after isolated tests; never execute generated code here.
   except urllib.error.HTTPError as exc:
    (OUT/(rid+'-http-error.txt')).write_bytes(exc.read()); row['error']='HTTP '+str(exc.code)
   except Exception as exc: row['error']=type(exc).__name__+': '+str(exc)
   row['seconds']=round(time.perf_counter()-start,3); rows.append(row)
   with (OUT/'scorecard.csv').open('w',newline='') as f:
    writer=csv.DictWriter(f,fieldnames=list(row));writer.writeheader();writer.writerows(rows)
   print(rid,row['finish_reason'],row['format_ok'],row['error'])
   if row['error'] in ('HTTP 400','HTTP 401','HTTP 403'):
    raise SystemExit('Fix access or the common request configuration before rerunning both modes.')

跑完先用文字編輯器開原始 response，抽查至少一組 high／none：final 是否來自頂層 text、thinking 是否另存於 raw、回應 model 是否一致。接著開 CSV：擷取與計算題會填 quality_ok；修補題留白，等隔離測試後填入。format_ok=true 只表示這個題目的格式檢查通過，尚未等於成果合格。

正式統計時，合格要同時符合：finish_reason=stop、沒有 error、format_ok 成立、quality_ok 成立，以及人工定義的其他驗收條件。正常完成的條件可以與完整原始回應對照；tool_calls 在本輪沒有工具的任務中應另外追查，而非自動視為正確。

成本怎麼填：先對帳，再比較合格成果

截至 2026 年 10 月 7 日，官方模型卡同列原價與上市折扣價；changelog寫明上市優惠為兩週五折。圖中金額是當日每百萬 token 的美元單價，不能當成長期固定費率。

先把 usage.prompt_tokens 與 usage.completion_tokens 原樣保留，再查看原始 usage 是否有 prompt_tokens_details.cached_tokens。若有快取命中，要拆開未快取與快取輸入單價；不能把快取 token 再重複加進總輸入。範例 CSV 不自動估價，因為你的實際優惠、快取與帳單需要分開核對。

把各次費用填進 api_cost_usd，人工檢查／修補分鐘填進 human_minutes。比較三個 task 各自的合格數與成本，再保留整體彙總。延遲欄量的是 整次 client 嘗試的牆鐘時間，包含網路、服務等待及本機存檔與解析；不要把它改稱模型純推理速度。

延遲可列中位數與全部三次原始值。這麼少的樣本不適合宣稱可靠 p95；如果服務偶發 timeout，連失敗耗時一起記。讀取帳單若與 token 推估不同，先保存差額與計費來源，不用漂亮的估價蓋掉實際支出。

決策層：何時保留 none、開 high 或換模型？

保留 none：它已達到預先訂好的驗收條件，high 在新增留出題沒有帶來你需要的品質改善，而耗時或成本超過預算。這個結論限定該類任務，不能外推成所有推理都不值得。

使用 high：多步或邊界題反覆顯示品質改善，格式與截斷問題已排除，而且每件合格成果的完整成本可接受。先在最受益的任務開，不需要把簡單擷取也一併切換。

比較其他模型或人工處理：兩模式都過不了必要檢查，或錯誤後果要求逐項簽核。把你日常用的模型列為第三組，使用同題、同驗收、各自可核對的計費與配置；不同廠的 effort 名稱不是同一把尺。先驗新路徑，再替換舊路徑。

如果差異不明，下一步不是猜「開關沒生效」，而是按序檢查請求是否送出參數、兩種回應是否讀對、預算是否截斷、題目是否太容易，再增加題目。可見 thinking 只能支持回應格式的觀察，無法單獨證明內部算力投入或答對機率。

Mistral Large 4 High 常見問題：先給直接答案

1. High 一定比 none 準嗎？

不一定。這份方法讓你以任務驗收比較；較長草稿不能取代正確答案與測試。

2. none 就是完全不推理嗎？

不是這樣解讀。官方描述的是較少思考並省略可見 thinking；你不能從缺少草稿推得內部完全沒有推理。

3. high 回傳列表就算格式錯誤嗎？

不算。列表本身是文件描述的回應形狀。先提取 final text，再查題目要求的 JSON；不要用字串解析器直接處理整個列表。

4. 三次就能選出最好的模型嗎？

不足以做通用排名。三次可以抓介接和明顯失敗；選模型之前還要增加代表實際工作的留出題。

5. temperature 設成 0.2 就能保證重跑一樣嗎？

不能把這個設定當成後端版本鎖。它是共同採樣配置；保存日期、模型回應與原始答案，再比較分布。

6. JSON mode 成功就表示資料正確嗎？

不表示。格式與答案是兩格：qty 為整數、total 為整數之後，還要驗數值與來源文字相符。

7. API 回應便宜，完成工作就便宜嗎？

不一定。失敗、重試和人工修補也要計入；零個成果合格時填未交付，別用最低單次費用替整件工作報價。

8. 初次測試該投入什麼資料？

先用本文虛構題。確認解析與紀錄可靠後，再把能合法使用、去識別化且已有答案的工作樣本加入；預寫驗收再送出。

給新手的三個重點

• 先拆回應：原始 JSON 保存，thinking 與 final 分流，解析失敗獨立記。
• 先定答案：資料對帳、程式測試與人工算式各負責自己的任務。
• 再下決定：none／high 是工作配置，合格成果與完成成本才是選擇依據。