放出了什么

Mistral 在 10 月 6 日以 public preview 发布 Mistral Large 4，10 月 29 日按承诺放出权重。模型是原生多模态的 MoE：约 1T 总参数，49B 激活参数（把嵌入和输出层算进去是 52B），128 个路由专家、每 token 激活 4 个，另加 1 个共享专家；上下文 1M token，输入支持文本和图像，输出文本。

  • 训练：从零开始，用 3,800 块 NVIDIA Grace Blackwell GPU，在 Mistral 位于欧洲的自有数据中心完成。
  • 语言：官方称原生支持 160 多种语言，覆盖欧盟全部官方语言。
  • 精度：提供 FP8 与 NVFP4 两个官方版本；Unsloth 和 llama.cpp 团队另做了 GGUF。
  • 部署：官方建议 vLLM 或 SGLang；NVFP4 面向 Blackwell，显存更小、推理更快。

价格与许可

API 定价是每百万输入 token 0.70 美元、缓存输入 0.07 美元、输出 2.10 美元。权重采用 Mistral Ecosystem Open-Weight License——一个修改版 MIT：允许使用、修改、微调和商业化，但如果拿它对外提供模型即服务（MaaS），需要先向 Mistral 取得单独的商业许可。这个条款比“纯 MIT”收紧了一步，也是这轮开放权重最需要法务确认的地方。

它想证明什么

Mistral 的叙事很明确：开放权重也能在前沿能力上竞争，尤其是在编程、agent 工作流和防御性网络安全这些企业场景。官方称它在开放权重里领先，并给出“部分视觉定位任务超过闭源前沿模型”的说法；完整技术报告还没发。对这些数字要先保留一分：厂商标注的 benchmark 通常选的是有利配置，真正要看的还是你自己任务上的成功率与每任务成本。

自托管的现实门槛

1T 参数即使压到 FP8，也不是单机能装下的规模；NVFP4 能显著降显存，但需要 Blackwell 级硬件。对多数团队，现实路径是“云端多卡按需起 + 小流量灰度”，而不是长期常驻。另一个常被忽略的成本是运维：MoE 的专家并行、长上下文的 KV cache、1M 窗口下的吞吐衰减，都需要专门调优。

所以这条新闻的价值不在于“又有一个免费模型”，而在于它把选择摆清楚了：要极致的数据控制，就准备好多卡和运维；要省事，就继续用 API。两者之间没有免费午餐。