Mistral Large 4: "Le Chonk"

Mistral Large 4 重磅发布 | Mistral

Le chonk

Mistral Large 4 正式发布

返回博客

14 分钟阅读

2026年10月6日

由 Mistral 发布

if full button is clickable

分享本文

复制链接到剪贴板

已复制

Le Chonk

今天，我们正式推出 Mistral Large 4 的公开预览版。非正式名称为 ML4，正式名称：le Chonk。ML4 将开源模型性能推向新高度。您现在就可以在 Mistral Studio 上体验预览版 API。模型权重将在本月底正式发布。

颠覆性性能表现

ML4 是一个拥有 1 万亿参数的原生多模态模型，其中 490 亿参数为活跃参数。这是迄今为止我们推出的规模最大、能力最强的模型，随着持续优化，其性能仍在快速提升。

该模型在编程、智能代理工作流和多模态理解等任务中展现出卓越表现。目前其性能已达到全球顶尖开源模型的水平，同时显著超越美国和欧洲开发的任何开源模型。在网络安全、金融和法律等关键企业工作负载领域，我们发现其性能在开源模型中处于领先地位。在视觉定位等特定领域，其表现甚至超越了部分封闭模型。

我们将在本月底前发布模型权重。在此期间，我们将与网络安全领导者、经过验证的合作伙伴和政府机构共同进行红队测试，这些机构将获得经过适度降低内容审核、增强网络安全能力的相同模型。

• 编程 - DeepSWE
• 编程 - Terminal Bench 4.0
• 网络安全
• 智能代理行为
• 金融代理
• Harvey 法律代理
• 视觉定位

欧洲锻造，为 AI 主权而生

ML4 在欧洲 Mistral 自有数据中心的 3,800 台 NVIDIA Grace Blackwell GPU 上从零开始训练。公开预览版同样运行在该基础设施上。这是我们在基础设施、研究和产品开发长期投资中的重要里程碑：通过开源权重实现关键领域的前沿性能，赋予客户对 AI 的完全控制权。

这在网络安全领域尤为重要。目前某些供应商的拒绝策略可能阻碍合法漏洞研究和事件响应，而事件处理过程中失去某项能力本身可能成为关键安全风险。ML4 将顶级网络安全性能与开源权重和自主部署能力相结合，使组织能够在自有政策下自主运行高级安全工作。

该模型将在全球多个地区部署，包括 Mistral 独立运营的欧洲部署版本，该部署完全不受其他数字服务提供商影响，并遵循欧洲法律。有趣的是，ML4 的训练数据中包含大量多语言内容，涵盖 160 多种语言，包括欧盟所有官方语言。

我们已与全球金融、工程、制造、物流、制药、科学、航运、公共部门及其他关键行业领先企业密切合作训练 ML4。事实上，该模型使用与 Mistral Forge 为客户提供的一样训练、定制和强化学习环境。

该模型也将作为新一代专业化和优化版Mistral模型的基础。在此期间，我们邀请您试用预览版API，并在社交媒体上与我们分享您的反馈。

能力深度解析

网络安全

ML4是全球最强的网络安全AI模型之一。在Artificial Analysis Cyber Index（人工分析网络指数）上，该模型在评估AI模型发现和修复实际软件安全漏洞能力的独立测试中，位列全球前五，远超中国以外开发的开源模型。在该指数的一项测试中，要求模型复现开源软件中的真实漏洞并进行修复，ML4得分82%，为所有模型中最高。它还在包含40个来自安全竞赛题目的Cybench测试集中解决了93%的挑战，这是开源模型报告的最高成绩之一。

这一顶尖成绩体现了实际应用优势。包括Claude Opus 5.5和GPT-6 Astra在内的多个领先闭源模型在相同测试中得分接近零，因为它们拒绝执行任务。然而，防御软件通常需要先证明漏洞的真实性，这正是闭源模型中的安全过滤器可能阻止的工作类型。随着威胁行为者越来越多地破解这些模型以支持进攻性网络活动，防御方需要能够匹配这些能力但不受相同限制的系统。ML4可以完成这项工作，其能力甚至超出明确训练范围：在内部测试中，它被证明对分析恶意软件、优先处理漏洞和编写检测规则都有帮助。对于需要主权可控且可审计AI进行安全运营的组织，ML4可在私有云或本地部署运行。

##### ML4对抗领域：高效推理多样复杂挑战

##### 恶意软件逆向工程：解决分布外调查任务

• AA Cyber Index
• CyberGym-E2E
• Cybench

代理编程

ML4在软件工程、仓库理解和复杂终端工作流程方面表现优异，在DeepSWE v1.1测试中得分61.7%，在SWE-Atlas-QnA测试中得分59.4%，在Terminal-Bench 4测试中得分28.3%。其综合编码代理指数得分49.8%，领先于DeepSeek V4 Pro 0813和Qwen3.8 Max。

• DeepSWE 1.1
• Terminal Bench 4.0
• SWE Atlas QnA

我们还与Surge AI合作进行了盲测人类评估，评估编程质量：专业标注人员在1-5分的评分标准下对模型输出进行评分，且隐藏模型身份。ML4预览版在五款模型中排名第二（3.74分），领先于Kimi K3（3.59分）、GLM-5.3（3.60分）和GLM-5.2（3.40分），仅落后于Claude Opus 5（4.22分）。

#### 代理工作流程

ML4运行通用代理，能够跨复杂工作流程收集信息、使用工具并生成最终交付成果。在AutomationBench测试中（包含Gmail、Google Sheets、Slack和Salesforce等应用的657个业务流程），其得分59.9%，领先于Kimi K3、MiMo-V2.6-Pro和DeepSeek V4 Pro。

它在知识工作实际产出的专业交付成果方面同样表现出色：电子表格、幻灯片和PDF文档。在评估长周期知识工作的AA-Briefcase测试中，其达到1,393 Elo分，领先于DeepSeek V4 Pro。

#### 多模态

ML4 是我们模型在理解图像能力方面的一次重大飞跃。它能够对复杂文档、图表和自然图像进行强有力的推理，将视觉感知能力引入到对感知至关重要的行业，如工程、制造和地球观测领域。

该模型可以进一步结合视觉定位能力与智能代理功能：从检查十亿像素的卫星图像——帮助救灾团队在关键时刻迅速行动——到分析工程图纸——放大查看、细致检查、反复验证直至得出精确答案。在我们上面的演示中，ML4 能够定位密集的自然场景、在技术图纸中验证机械部件、从 PDF 中检索证据，并在海量地理空间图像中扫描最难发现的物体。

在视觉定位方面，我们发现 ML4 是我们测试过的最强大的模型之一，例如在 Dense 200 测试中，其表现优于 GPT-6-Astra（42% vs 41%）。

• Dense 200
• ChartQA Pro
• GDP.pdf

#### 科学与数学

ML4 拥有强大的科学能力，通过将人工智能方法与我们在数学、物理和化学领域的专家知识相结合而实现。

它在科学任务的智能代理编程方面表现出色，例如数据分析、建模和模拟物理现实，这让研究人员能够专注于核心问题而非技术细节。在基准测试中，ML4 在 SciCode-Verified 测试中是开源模型中的最先进水平。在实际应用中，它能够一次性生成完整的 Hartree-Fock 模拟——这是一个由一系列高级算法构建的复杂多步骤化学任务。

ML4 的数学能力同样出色，既包括形式推理也包括应用数学。在我们的人类评估中，它在精确性和结构化推理方面优于 GLM-5.3，并且能够持续处理长期、领域特定的应用数学任务，包括与前沿理论物理相关的研究。

这些能力的结合使 ML4 成为贯穿整个技术工作流程的强大研究助手——从最初的问题到最终的结果。

SciCode-Verified 测试模型在代码中实现复杂科学工作流程的能力，涵盖物理、数学、材料科学和生物学等领域。

ML4 与 GLM5.3 在 STEM 任务（数学和物理）上的内部评估

知识工作

ML4 是我们处理专业人士日常真实世界任务的最强大模型。它能够创建、编辑和修复复杂电子表格和文档，在法律和金融基准测试中表现出色。

值得注意的是，我们通过第三方评估机构（vals.ai）对 ML4 在法律和金融任务的代表性任务进行了评估，发现该模型在两种情况下均优于 GPT-6-Astra。在 HarveyAI 的法律代理基准测试中，ML4 超越了所有开源模型。

• Finance Agent v2
• Finch (FinWorkBench)
• Harvey's Legal Agent Benchmark

FinWorkBench 测试模型在真实生活中的财务和会计场景中创建/编辑电子表格的能力。

金融分析要求精确性以及综合多来源信息的能力，这一过程在许多金融机构中仍然耗时费力。在本演示中，ML4与其他领先的开源模型共同面对相同的多步骤企业财务挑战，搜索公开的公司文件和财务报告（如EDGAR及欧洲同类数据库中的内容）。动态语义地图追踪每个模型通向解决方案的路径，突出显示沿途检索到的每一份文件。每条路径的位置反映了收集到的证据、计算结果以及尚未解决的问题。观众可以观察调查过程的展开，并比较每个模型在得出最终答案前采取的不同路径。

模型安全性

• B3攻击防御能力
• 网络安全拒绝率
• KORABench

ML4在抵御间接提示注入的鲁棒性基准测试中表现优异，已达到开源模型的前沿水平（与GLM-5.2、GLM-5.3、Kimi-K2.6、Kimi-K3、DS-V4-Pro-0813相比）。在Lakera公开的B3人工智能安全基准测试中，ML4成功抵御了93.3%的攻击——我们未在竞争对手中看到更高的得分。

ML4在与用户交互时也比以往任何模型都更加负责任。在KORA基准测试中，我们的结果显示ML4在开源模型中再次达到最高得分（1.691，满分2分标记为“卓越”）。

特别值得注意的是，该模型在拒绝恶意网络安全请求方面的倾向性。尽管在网络安全基准测试中表现强劲，但该模型在JailbreakBench、StrongREJECT和AgentHarm的网络安全提示上的平均拒绝率高于所有开源模型。

人工评估

我们进行了内部评估，来自编程、计算机辅助设计（CAD）、金融、数学和物理领域的专家标注员将Mistral Large 4与GLM-5.3进行了比较。ML4在CAD和STEM领域更受青睐，而在金融和编程领域表现与GLM-5.3相当或接近。

大规模强化学习

基础模型的改进速度很快，我们的后训练必须跟上节奏。为昨日模型设计的调优方案在今日前沿模型上会留下能力空白，因为曾经推动模型达到极限的真实样本如今已不再具有挑战性。我们采用强化学习（RL），因为它能随着模型的演进而适应：我们基于模型自身尝试的成果进行训练，并且随着模型能力增强，可以逐步提升任务难度和广度。

我们的RL库设计旨在简化新环境的添加和大规模训练。共享的可组合接口允许单次训练运行结合多种任务，从单轮对话到复杂科学问题解决，再到安全对齐、事实性验证和长周期工具使用。这些环境共享代码沙盒、网络搜索和外部API等基础设施资源。这种可组合性同样延伸至验证环节，根据任务需求灵活组合奖励模型、单元测试、LLM裁判和静态检查。

运行时，自动扩展的执行者舰队可并行生成数万个模拟轨迹，同时模型训练以异步方式推进。生成和训练流程针对长轨迹进行了优化，支持跨多轮压缩的数百万级token预算，同时保持较低的滞后性。两个阶段中创新的方法和优化手段共同作用，有效减少离线策略漂移，实现长期稳定的强化学习。

在我们目前的规模（3000个GPU）下，单次训练运行每天可生成约330亿个标记，其中经过过滤和掩码处理后，约有160亿个可训练完成标记。我们可以在训练过程中直接看到进展：随着策略学习解决越来越复杂的任务，多个代表性环境中的训练奖励值持续上升。以下是一些示例。

这些改进不仅限于我们训练的环境；它们可以迁移到下游评估中，最终模型的性能得益于两个后训练阶段（监督微调和强化学习），如图表所示。

接下来的发展

这只是开始。ML4是我们路线图上的第一个里程碑，由我们30亿欧元的D轮融资支持——这是欧洲科技公司有史以来最大的股权融资轮次。这笔资金已经开始发挥作用：我们正在大幅扩大位于欧洲自有数据中心的计算能力，未来几个月将有更多资源上线。

更多的计算能力意味着更多的训练。此次预览背后的强化学习训练仍在进行中，模型尚未出现饱和迹象——前方仍有大量提升空间。随着我们在扩展后的基础设施上扩大训练规模，我们预计在接下来的几周和几个月内将实现显著且快速的性能提升。

我们将在本月底前发布模型权重，并提供更多关于架构、额外基准测试以及后训练方法的细节。而ML4只是基础：它将成为新一代专用且优化的Mistral模型的基础，这些模型将针对客户最关心的行业和工作负载进行构建。

从现在起，进步的速度将非常快。敬请期待。

Mistral Large 4

全新发布

开放权重的混合指令与推理专家模型，支持多模态输入；在单一模型中融合指令、推理和智能体能力，在开放权重模型中处于网络安全、金融和制造领域的领先地位，原生支持160多种语言。

多模态

推理

编程

智能体

网络安全

输入（每百万个标记）

$1.36

输出（每百万个标记）

$4.18

了解更多

0% /