Mistral Large 4 權重開放，為 AI 實驗開闢全新途徑

新聞摘要

Mistral AI 已公開其旗艦多模態模型 Mistral Large 4 的可下載權重，完成了自 2026 年 10 月 6 日 API 預覽開始、至 2026 年 10 月 29 日開放權重發布的兩階段推出流程。該公司表示，此次更新提升了程式編寫、防禦性網路安全與推理效率；此舉也讓開發者與研究人員能夠在自己的基礎設施上檢視、調整並運行該模型。

從 API 預覽到可下載權重

首次公開亮相是透過 Mistral Studio 及其 API 提供存取。該預覽版讓開發者能在 Mistral 持續進行訓練與安全性工作的同時試用模型。隨著 10 月 29 日的更新，Mistral 表示權重可透過 Hugging Face 下載，並使用 vLLM 或 SGLang 等常見推論工具進行部署。該模型也可透過 Mistral 的 API、OpenRouter、NVIDIA 託管服務以及 Microsoft Foundry 取得。

這項區別對學習者與開發者而言相當重要。API 提供了測試模型的便捷方式，但其內部參數仍保留在供應商的伺服器上。開放權重則讓具備技術能力的使用者能夠檢視發布的參數檔案、微調模型，並在選定的硬體上運行。不過，權重本身並不會揭露模型建立過程的所有細節：訓練資料、完整訓練程式碼以及所有運作細節仍屬另外的範疇。

架構與功能

Mistral 將 Large 4 描述為原生多模態混合專家模型，總參數量達 1.05 兆，活躍參數為 520 億，並配備 16 億參數的視覺編碼器。該公司列出了百萬 token 上下文視窗，以及支援超過 160 種語言。混合專家系統會將每個輸入導向部分參數處理，而非針對每個 token 啟動整個模型；因此活躍參數數量與總規模有所不同。

此次發布結合了指令遵循、推理與代理式工具使用。Mistral 特別強調軟體開發、影像理解、科學問題解決與網路安全工作流程。其 10 月 29 日的公告指出，該模型在 Terminal-Bench 4.0 上的表現較預覽版提升 13 個百分點，達到 41%，同時將輸出 token 減少 30%。在 Artificial Analysis 的 Coding Agent Index 中，Mistral 報告得分為 48%，且平均每項任務使用的 token 比其所引用的比較模型少 47%。這些結果是有用的參考數據，但它們來自特定的評估環境，不應被視為在所有程式編寫任務上都能保證效能的依據。

研究存取與安全性

對於科技教育而言，開放權重能讓實際操作模型的研究變得更具可行性。大學團隊、獨立開發者與企業可以測試模型行為如何隨提示詞、微調、推論設定與部署環境而改變。Mistral 的公告描述了涵蓋漏洞分類、瀏覽器衛星追蹤應用程式以及量子化學視覺化的示範案例。這些範例展示了模型如何結合程式編寫、工具使用與專業領域工作流程；它們僅是示範，並非證明該系統能取代專家審查。

同樣的彈性也需要謹慎的安全防護措施。Mistral 表示已與網路安全合作夥伴共同測試該模型，並報告在選定的惡意網路提示詞上平均拒絕率達 96.6%。該公司也承認正在監控實際使用情況並調整防護機制。基準測試結果與公司公布的拒絕率僅能提供有限證據，而非完整的安全性評估。部署這些權重的組織需要建立自己的存取控制、監控、評估與人工審查機制，尤其是當系統能夠執行程式碼或操作外部工具時。

授權、存取與實務取捨

Mistral 表示，這些權重依據其 Mistral Ecosystem Open-Weight License（經修改的 MIT 授權）提供。該公司指出，使用者可以使用、修改、微調並將模型商業化，但提供模型即服務（Model-as-a-Service）的企業必須另行取得商業授權。使用者在部署前應仔細審閱授權條款本身，特別是用於商業託管時。

自建部署也有相當高的硬體與工程成本。總參數超過一兆的模型遠大於一般筆記型電腦級別的模型，即使每個 token 只啟動其中一部分參數也是如此。對許多學習者而言，API 存取或託管端點將是探索其功能的務實方式；本機部署更適合擁有足夠加速器資源與維運專業知識的團隊。Mistral 尚未在發布公告中提供包含所有架構與訓練細節的完整技術報告，因此進一步的獨立分析將有助於釐清其效能與資源需求。

此次發布帶來的改變

Large 4 的公開權重將存取範圍從試用託管預覽版，擴展到建構與實驗一個可自訂且能獨立運行的模型。這對正在學習多模態系統、代理與評估的開發者極具價值，同時也為每次部署留下了關於成本、可重現性、授權與安全性的實際問題。Mistral 公布的基準測試提供了初步概況；獨立測試與實務經驗將決定該模型在不同研究與軟體任務中的實際表現。