Mistral Large 4 是什么？官方价格、1M 上下文、基准与实测：网络安全和文档强，写代码偏慢

先说结论：Mistral Large 4 是 Mistral 在 2026 年 10 月 6 日以公开预览形式发布的旗舰模型，API 模型名 mistral-large-4，官方价每百万 tokens 输入 $1.36、缓存输入 $0.14、输出 $4.18，上下文 1M。

它的强项和弱项都很明显。官方和第三方数据都显示它在网络安全、金融、文档理解上很强；但在 Artificial Analysis 的综合智能指数只有 38，思考很多、输出偏慢，几位开发者的编码实测也落后于 Qwen3.8 Max、Kimi K3、DeepSeek V4.1 Flash 等模型。

本文数字截至 2026-10-22，依据 Mistral 官方 发布博客、模型文档、价格页、更新日志，以及 Artificial Analysis、OpenRouter 等第三方页面。榜单分数会变动，以原页面为准。

Mistral Large 4 是什么

Mistral 官方的说法：

• 2026 年 10 月 6 日以 Public Preview（公开预览） 发布，外号 Le Chonk，是 Mistral 迄今最大、最强的模型
• 文档写明是混合专家（MoE）架构，1.05T 总参数、52B 激活参数，另带一个 1.6B 的视觉编码器，原生支持图像输入
• 一个模型同时覆盖指令跟随、推理和 Agent 任务，推理深浅用 reasoning_effort 参数控制
• 在 Mistral 欧洲自有机房的 3,800 张 NVIDIA Grace Blackwell 上从零训练，训练数据覆盖 160 多种语言
• 官方主打的方向：网络安全、编码 Agent、金融和法律等专业工作、视觉定位
• 权重计划 10 月底开放。截至 2026-10-22，Mistral 的 Hugging Face 主页还没有 Large 4 的权重，目前只能通过 API 调用

参数量说法不完全一致：文档写 1.05T 总参数 / 52B 激活，发布博客写“1 trillion / 52 billion active”，Mistral 官方 X 帖写“49B active”。本文以文档为准。

官方价格

Mistral 价格页，按每百万 tokens 计价，单位美元：

几点说明：

• 官方更新日志写着首发两周 5 折（10 月 6 日起）。有些聚合平台页面还挂着 $0.68 / $2.09 的折扣价，现在以官方价格页的 $1.36 / $4.18 为准
• 缓存输入是原价的约 1/10，长系统提示词、反复读同一批文档的场景能省不少
• 价格页同时提供欧元计价、Batch 和 Priority 档位，具体以官方价格页为准
• 和自家其他模型比：Mistral Large 3 是 $0.5 / $1.5，Mistral Medium 3.5 是 $1.5 / $7.5。Large 4 输出价比 Medium 3.5 还便宜

单价看着不高，但它很能“想”，实际花费要看输出 token 用量，见下面的测评部分。

AI Code With 上架后会在这里补充我们的价格。

上下文和能力

上下文说法不完全一致：Mistral 文档和 OpenRouter 写 1M，Artificial Analysis 页面写 524k，Vercel、opencode 等渠道也标 524,288。如果你要塞超过 50 万 tokens 的内容，先确认自己用的渠道实际支持多长。

推理相关的两点，来自 Mistral 官方推理文档：

• reasoning_effort 设成 high 时，返回的 message.content 是分块列表（思考块 + 正文块），不是普通字符串，解析代码要兼容
• 多轮对话要把完整的 assistant 消息（包括思考块）原样放回历史。官方明确说删掉思考块会明显降低输出质量

测评和基准

官方数据

以下全部是 Mistral 自己公布的，没有经过第三方复核：

官方还给了两组对比：

• Surge AI 做的编码质量盲评（1-5 分），Large 4 预览版 3.74 分，5 个模型里排第 2，高于 Kimi K3（3.59）、GLM-5.3（3.60）、GLM-5.2（3.40），低于 Claude Opus 5（4.22）
• 网络安全方面，Artificial Analysis Cyber Index 排进全球前五。官方特别提到，Claude Opus 5.5、GPT-6 Astra 在“复现漏洞再打补丁”这类测试上分数接近 0，原因是直接拒绝执行

第三方数据

Artificial Analysis（测的是 Preview 推理版）：

• 智能指数 38，同价位中位数 27。作为对照，同一指数下 Claude Opus 5.5 为 57.6、GPT-6.1 Sol 为 51.8、Gemini 4 Argon（High）为 52.6
• 跑完整套指数用了 2 亿输出 tokens，同价位中位数 8,700 万，AA 的评价是“非常啰嗦”
• 输出速度 70.9 tokens/秒，低于同价位中位数 79.2；首 token 延迟 1.92 秒
• 平均每个任务花费 $1.13
• 分项：长上下文推理 AA-LCR 81.3%，Humanity's Last Exam 35.0%，GDPval-AA 46.1%，SciCode 54.2%，Terminal-Bench 4.0 26.8%

Vals AI（OpenRouter 转载）：

• Vals Index 48.7%，Vals Finance Index 56.9%，Finance Agent v2.1 61.4%
• 编码类：Terminal-Bench 4.0 27.8%，SWE-bench Multimodal 33.1%，Vibe Code Bench v1.1 78.4%

OpenRouter：最好渠道的 P50 吞吐约 55 tokens/秒。

开发者实测

• Surge AI 的 sudo L7（测资深工程师判断力的编码基准）：13.3%，高于 Muse Spark 1.3（12.2%）和 Grok 4.7（10.6%）
• Paweł Huryn 的找 bug 测试：两个真实仓库埋了 105 个 bug，Large 4（high 档，也是它的最高档）三次平均 15 分，Qwen3.8 Max 25.7、Kimi K3 23、DeepSeek V4.1 Flash 21.7、GLM-5.3 19
• Model Tested：文档阅读 99.7 分（满分 100），比他们测过的所有本地模型都高；但 30 道编码题只解出 18 道，另外 12 道把思考预算用完也没给出答案，调低推理档也没改善。解出的 18 道全部正确
• TheGitAI：测完决定不接入自家编码 Agent，理由是分数低于 GLM 5.3 Flash 和 DeepSeek V4.1，而且是测过的模型里最慢的
• Silicon AI Software Factory（企业 .NET/Vue 项目）：修 bug 排第 14，实现用户故事排第 28

几份实测结论一致：文档、金融、安全类任务表现好，写代码不如同期的中国模型，而且容易想太久。

优缺点和适合场景

优点：

• 网络安全工作能做：漏洞复现、打补丁、恶意软件分析这类任务，很多闭源模型会拒绝，Large 4 官方分数和定位都偏向这里
• 文档和金融任务强：Model Tested 文档阅读接近满分，Vals 的金融类分数也不错
• 单价便宜：输出 $4.18，比 Mistral Medium 3.5 还低，缓存输入只要 $0.14
• 1M 上下文 + 图像输入，视觉定位官方数据略高于 GPT-6 Astra
• 欧洲部署、计划开源权重：对有数据主权或私有化部署需求的团队有吸引力

缺点：

• 思考太多：AA 测出的输出 token 量是同价位中位数的两倍多，单价便宜不等于总价便宜。有用户在 Mistral 官方帖下对比，同一个营收预测编码任务，Large 4 花了约 $14，GPT-6.1 Sol 约 $1
• 偏慢：AA 和 OpenRouter 测的输出速度都在 55-71 tokens/秒
• 编码 Agent 不是强项：多份实测落后于 Qwen3.8 Max、Kimi K3、DeepSeek V4.1 Flash、GLM-5.3
• 还是预览版：官方说模型还在持续训练，分数和行为都可能变化；上下文长度各渠道标注不一

适合场景：

• 安全团队做漏洞研究、代码安全审计、检测规则编写
• 金融、法律、合同、报表这类长文档的阅读和抽取
• 对数据所在地有要求、以后想私有化部署的企业
• 不适合：对速度敏感的在线场景、作为 Claude Code / Codex 的主力编码模型

怎么接入

AI Code With 目前还没有上架 Mistral Large 4，上架后会在这里补充我们的模型 id 和配置方法。

现在可以直接用 Mistral 官方 API（Mistral Studio 里创建 Key）。Chat Completions 示例：

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [{"role": "user", "content": "你的问题"}],
    "reasoning_effort": "high"
  }'

Python SDK：

import os
from mistralai import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
resp = client.chat.complete(
    model="mistral-large-4",
    messages=[{"role": "user", "content": "你的问题"}],
    reasoning_effort="high",
)
print(resp.choices[0].message.content)

OpenRouter 上的模型名是 mistralai/mistral-large-4-0，走 OpenAI 兼容接口。

几条使用建议：

• 简单任务先试 reasoning_effort 设为 none，省 token 也快很多；难题再开 high
• 给 max_tokens 留足空间，并设置请求超时，避免长时间思考后什么都没返回
• 多轮对话把完整 assistant 消息放回历史，别只留正文
• 正式用之前拿自己的任务和 GLM-5.3、DeepSeek V4.1 Flash 对比一下成本和耗时

第三方 API 的通用配置方式见《Claude Code 如何接入第三方 API》和《Codex config.toml 配置指南》。

常见问题

Mistral Large 4 开源吗？

官方定位是开源权重模型，计划 10 月底放出权重。截至 2026-10-22 还没有放出，目前只能用 API。

Mistral Large 4 多少钱？

官方价每百万 tokens 输入 $1.36、缓存输入 $0.14、输出 $4.18。首发两周的 5 折已经结束。

Mistral Large 4 适合写代码吗？

可以用，但不是它最强的方向。官方 DeepSWE v1.1 是 61.7%，第三方实测里普遍落后于 Qwen3.8 Max、Kimi K3、DeepSeek V4.1 Flash，而且容易想太久。主力写代码建议优先考虑其他模型。

Le Chonk 是什么？

是 Mistral Large 4 的外号，Mistral 官方博客自己这么叫。

来源（核对于 2026-10-22）

• Mistral：Introducing Mistral Large 4
• Mistral Docs：Mistral Large 4 模型页
• Mistral Docs：API 价格
• Mistral Docs：更新日志（10 月 6 日条目）
• Mistral Docs：Reasoning
• Mistral 官方 X 发布帖
• Artificial Analysis：Mistral Large 4 Preview
• OpenRouter：Mistral Large 4（含 AA、Vals AI、Design Arena 数据）
• X @HelloSurgeAI：sudo L7 排行
• X @PawelHuryn：105 个真实 bug 测试
• Model Tested：We tested Mistral Large 4
• X @thegitai：编码 Agent 接入评估
• X @rogerhendriks：Silicon AI Software Factory 排名
• X @victor_zhng：与 GPT-6.1 Sol 的成本对比