2026 年 10 月 29 日，Mistral 在官網發布〈Built for Coders, Trusted by Defenders.〉，正式釋出改進後的 Mistral Large 4 權重。10 月初的問題是「月底會不會交付」；現在可以打開模型倉庫、讀實際授權，再問更具體的一題：拿到這個約一兆參數的模型，究竟增加了多少可用的控制權？
下面先還原公告的能力與效率主張，再核對模型卡、授權全文及評測方法，最後判斷誰值得重新評估它。本文沒有下載完整權重或執行模型跑分；公司數據與外部評測各保留自己的來源和適用範圍。
Mistral Large 4 這次交付了什麼？從 API 預覽走到可下載權重
Today, we’re releasing the weights of this improved Mistral Large 4.
中文：今天，我們釋出這個改進版本的 Mistral Large 4 權重。
Mistral，10 月 29 日權重釋出公告
官方新聞列表把 API 預覽列在 10 月 6 日、這次權重發布列在 10 月 29 日。官方模型倉庫已提供模型卡、設定與權重檔；另有官方 NVFP4 版本。這是可以檢查的交付，不再只是預告。
先前的預覽解析把檔案、用途授權與運行能力分開。現在前兩項有了具體材料，第三項仍要看你的部署條件。權重開放的價值，是可以保存版本、選擇執行位置並調整模型；把這些選項變成穩定服務，還需要硬體與運維。
49B、52B 與一兆：模型變小了，還是計數口徑不同？
這次模型卡把差異說清楚：每個 token 啟用約 490 億參數，若含 embeddings 與輸出層則約 520 億；整套模型約一兆。API 文件另列總參數 1.05T。閱讀時保留「約一兆」這個量級，別把不同計數混成架構改版。
MoE 像一個大型專家團隊：每一步只請部分成員工作，卻仍要保存整個團隊的知識。模型卡列出 128 個路由專家、每個 token 選 4 個，另有共享專家。啟用參數描述一部分計算量，總權重與快取才一起影響記憶體配置。因此，「52B active」不能直接換成「只需放得下 52B 權重」。
Hugging Face 的發布介紹確認它接收文字與圖片、輸出文字，並拆開專家選擇與注意力位置選擇兩種稀疏機制。這讓它有機會同時做文件理解與程式任務；每項實際工作是否可靠，仍要各自驗收。別從「多模態」三個字直接推得所有媒體輸入與輸出都已涵蓋。
Mistral Large 4 的 Coding 敘事：更少 token，能否換成更便宜的交付？
新公告把約三週額外強化學習的成果，集中放在程式與防禦資安。它報告 FrontierCode 2.0 得分 19.7%；Coding Agent Index 約 48%，並稱相對 GLM-5.3 平均每題少用 47% tokens；Terminal-Bench 4.0 則由預覽的 28% 到 41%。這些比較先讀成 Mistral 在本次公告所報告的結果，不當作 AlphaLab 重跑成績或通用排名。
圖中 High 比 Medium 靠上，也更靠右，正好提醒我們：品質與投入要成對比較。不同模型的 token 切分、輸入／輸出比例、快取與單價都會影響帳單；少 47% tokens 不能直接寫成便宜 47%，更不能跳成任務快 47%。
原文還引用 Surge Code 的盲測偏好，稱受評者較偏好 Large 4 相對幾款受測開放權重模型的程式答案，但在該組比較中仍落後 Claude Opus 5.5。這補上「人願不願意用」的角度；本文保留為公告轉述，不能把偏好票直接當成程式正確率或正式合併率。
核對Cognition 的原始評分說明，FrontierCode 2.0 是評分項目的加權彙總，未過阻擋條件的解答得零分。它涵蓋 132 項任務，重視正確性、測試、範圍與既有程式規範。19.7% 不能翻譯成「每五件工作就能獨立完成一件」：那會把 rubric 分數改成任務成功率。評測機構確認的是量尺的意思，個別模型的公告數字仍應保留發布者署名。
另一個容易混淆的地方是版本。10 月 29 日的 Hugging Face 介紹文仍列出 Coding Agent Index 49.8%、Terminal-Bench 4 為 28.3%，與新公告的 48%、41% 不同。本文不把兩邊接成一條成長曲線。重做比較時，必須先對齊 checkpoint、評測版本、推理強度與 Harness；單靠發布日相同，還不足以確定考的是同一套配置。
這裡有一項可查的具體變動：Cognition 的 10 月 27 日更新紀錄明列，Large 4 改用 Mistral Vibe Harness，包含 low、medium、high，取代先前 Devin CLI 的預覽結果。因此，新舊分數的差異可能同時包含模型與執行層；不能全部算成額外訓練的單一效果。
外部的Artificial Analysis 模型頁在本次查閱列出 High 的 Intelligence Index 為 26。那是另一套綜合指標，不能拿來替 Coding 分數背書，也不能因綜合分數不同就否定某一項專長。選模型時，先問量尺是不是你的工作，再問誰排前面。
防禦能力、拒絕率與 Agent 安全，分別回答三件事
原文還報告 Cyber Index 51%、惡意資安請求平均拒絕率 96.6%、B3 攻擊抵抗率 97.1%；知識工作則展示 Finch 73.3% 與 BrowseComp 84.5%。這些都是公告的特定評測敘述：修漏洞、拒絕有害要求、抵抗注入、操作試算表與找資料，各有不同分母。不能把其中一格當成整體可靠性的證明。
尤其要收窄原文從 B3 高分推到「不需額外調整就能安全運行 Agent」的語氣。模型能抗住某批輸入，不會自動替你的資料夾設定權限，也不會替付款、寄信或部署建立撤回流程。模型的行為能力與系統允許它做什麼，是兩個控制面。這也是TraceTrial-Bench 的雙層驗收值得補看的原因。
公告同時承認資安能力可能被用於真實攻擊，並把合作方專用的進階資安變體放在審核與合約條件下。這段限制比合作夥伴名單更值得保留：公開權重模型、一般 API，以及受控專用變體，應分別辨認，不能把其中一條路的權限移植到另一條。
開放權重的商用邊界：讀授權全文，別只看「modified MIT」
Mistral Ecosystem Open-Weight License 全文允許使用、修改、部署與衍生開發，同時要求保留指定通知。它另寫明：若被授權人或其關係企業經營 Model-as-a-Service 業務，商業用途須另與 Mistral 簽商業授權；內部使用與透過 Mistral 官方產品存取，另有明列例外。
條款把 Model-as-a-Service 定義為：讓第三方取得模型或衍生物的推論或後訓練能力，並對輸入、參數或訓練資料有實質控制。它同時排除只把能力嵌進特定功能或 Harness 的終端產品，以及單純轉送他人託管模型的請求。這比「任何收費 App 都要另買授權」更窄，也比「下載後所有商用都自由」更有條件。
因此，團隊應先畫出自己的服務邊界：誰能呼叫、能控制哪些欄位、是否提供後訓練、服務由誰託管，以及關係企業是否經營模型服務。需要對照的是整段業務條件與例外，不能只把產品改叫助理，就當成符合某個排除項目。權重可下載、授權允許某種用途、服務具備可接受風險，仍是三次判斷。
自架的現實：把稀疏計算與整套容量分開算
vLLM 的原始部署配方列出 FP8 權重約 1.06 TB、NVFP4 約 610 GB，並給出 GB300、B200、H200 等不同驗證配置。這是該推論專案的部署紀錄，並非所有量化或卸載方案的最低硬體門檻；但足以說明，原生配置屬於大型服務資源規畫，不能照啟用參數估一張卡。
同一配方把模型宣告的約一百萬 token 位置，與實際驗證到 256k 的服務範圍分開列出。模型容量上限、某引擎驗證範圍與你能接受的延遲，是三個數字。上下文、同時使用者、快取、量化格式與硬體互連，會一起改變服務安排。可先用本機 LLM 顯存指南理解這筆容量帳，再研究具體配置。
這也改變「主權」的意思。自己保存權重，可以降低單一 API 入口的依賴；要真正持續運行，仍要有人負責版本、容量、故障與資料流。若組織的目標是資料位置或存取控制，應先寫下具體要求，再比較自架與合適的受管服務。把主權寫成可驗收的條件，比把它當成部署方式的標籤更有用。
不自架也能開始評估。公告提供 Studio、API 與 Vibe Code 等入口；截至 2026 年 10 月 31 日本次查閱，官方模型頁列每百萬 token 輸入 US$0.70、快取輸入 US$0.07、輸出 US$2.10。這是 API 單價，與免費取得權重、自己支付硬體成本分屬不同帳本；估費時還要套入實際快取命中、輸出量與重試。
AlphaLab 的判讀：值得重測，價值落在選項與每件成果的成本
一、我同意：權重交付讓承諾變成可以保存的選項
這次最扎實的變化，是組織可以檢查並保存交付物，再把自己的資料、部署與模型調整接上。即使最後選擇 API，存在另一條可行路徑，也可能改善遷移與備援規畫。這種價值不需要靠「全面擊敗閉源」才成立。
二、我存疑：少用 token，足以代表工作成本下降多少
更精簡的推理可能減少支出，前提是交付品質維持。若省下一段推理，卻讓維護者多花半小時找漏修，節省就可能消失。建議比較全部嘗試、重試、工具運算與人工收尾，除以合格成果數；零件價格與完整交付成本分開記。Entire 的審查流程分析也提醒我們，產出更快之後，瓶頸可能移到驗收。
三、能調整模型，不等於可以略過系統治理
權重開放讓防禦團隊能研究行為，也讓部署者承接更多責任。對連接工具的模型，先限制可見資料與可執行動作，再測惡意文件、錯誤工具回傳與中途改要求。安全分數可以決定先測誰；正式系統的授權、隔離與停止條件，要由自己的驗收回答。
四、下一個可對帳承諾，是外部固定配置能否維持品質與效率
原文的訴求，是把 Large 4 作為可自行掌握、並能衍生專用模型的基礎。值得追蹤的預測可以寫得很具體：外部團隊固定這個版本與工具後，能否在相近品質門檻下保留 token 效率優勢？如果優勢只留在特定考卷與公司配置，採用範圍就應縮小；若能跨到實際工作，這次釋出才會累積成可持續的替代方案。
公告也把完整技術報告列為後續交付。追蹤這份承諾時，最有用的補件是訓練與評測設定、版本及可重查的比較條件；讓外部研究者知道哪些提升來自權重，哪些來自工具與推論配置。
接下來怎麼做：先寫採用條件，再安排測試
一般使用者先選一件可人工核對的任務，比較答案品質與整段等待；不用為了一兆參數先買設備。開發團隊則保存 checkpoint revision、推論引擎版本、工具設定、輸入與完整結果，對 low、medium、high 各自驗收。新模型卡已列這三種推理強度，High 為預設；舊的 none／high 測試配置不要原封不動沿用。保存請求與回應時，可搭配模型身分查核收據區分名稱、路由與實際版本。
要自架的組織，先讓用途授權、容量與回復方案三欄都能寫清楚，再用小批非敏感任務量品質、失敗與成本。對資安用途，只在自己擁有或已獲授權的隔離環境驗證，並把「模型提出補丁」與「根因已修復」分成兩個簽核點。這次權重釋出值得重新評估；是否值得搬家，讓同一批工作的新收據回答。
