一个法国公司，训了个1万亿参数的模型，取名叫“肥猫”。
Mistral Large 4，代号Le Chonk，10月6日上线，总参数1.05万亿，推理时激活490亿。最巧的是，DeepSeek V4-Pro的激活参数也是49B。一个1.05万亿，一个1.6万亿，激活参数一模一样。
这个数字撞得太准了，我怀疑Mistral在发模型的时候就是瞄着DeepSeek去的。两个模型都号称“开源权重”，但Mistral的权重到现在还没放出来。
我把两个模型跑了一遍，有些东西跟宣传的不太一样。
49B激活参数撞车，意味着什么
先解释一下MoE架构，不然聊不下去。
总参数可以理解成模型“知道多少东西”，激活参数决定它每次回答“花多少力气”。1.05万亿总参数听起来吓人，但每次推理只调动490亿个参数干活，剩下的都在旁边待命。Mistral把这叫“精细化的专家混合”。
49B激活参数决定了你每次调用的成本，1.05万亿总参数决定了模型的知识储备。 两个数字要分开看。
DeepSeek V4-Pro的总参数是1.6万亿，比Mistral多了50%。这意味着在知识密集型任务上，DeepSeek天生有优势——它“知道”的东西比Mistral多一半。
但Mistral多了一个DeepSeek没有的东西：视觉编码器，16亿参数，原生支持图片输入。文本加图片进，文本出。DeepSeek V4-Pro只支持文本。
编程是真强，但官方数据要打折扣
Mistral官方放出来的编程成绩很唬人：DeepSWE v1.1拿到61.7%，Terminal-Bench 4.0拿到28.3%，Coding Agent Index 49.8%，均高于DeepSeek V4-Pro。
但这些全是Mistral自报、还没独立复现的数字。 我翻了一下第三方评测，Artificial Analysis的Intelligence Index v4.3.2里，Mistral Large 4 Preview拿38.4分，DeepSeek V4-Pro是36.0分。总分上Mistral确实领先，但领先幅度没有官方宣传的那么大。
我拿一个真实场景测了一下：写一个带分页、搜索、数据校验的REST API。
Mistral Large 4的代码结构更干净，它会主动用最新的框架写法，比如用Pydantic做数据校验、用依赖注入管理数据库连接。DeepSeek V4-Pro写得也对，但有些地方用了偏老旧的写法。
不过在需要业务知识理解的环节，DeepSeek扳回来了。我故意在需求里加了一段模糊的业务描述，DeepSeek的理解更准确，Mistral偶尔会“过度脑补”。
Terminal-Bench 4.0的差距最悬殊——26.8%对14.1%。这个评测考的是多步骤终端操作能力，Mistral的优势接近一倍。但独立博主Thorsten Meyer实测后说了一句：“agentic和长任务别用ML4” ，因为幻觉在Agent场景里会像雪球一样越滚越大，他实测Mistral照样会编。
价格这块，两边打得很微妙
先看标价。
Mistral Large 4的标准价：输入$1.36/百万token，输出$4.18/百万token。DeepSeek V4-Pro的价格：输入$0.66/百万token，输出$1.98/百万token。
按标价算，DeepSeek的输出价格只有Mistral的一半不到。
但Mistral现在在搞促销，全打五折。 输入$0.68，输出$2.09，跟DeepSeek几乎持平了。缓存输入更便宜，$0.07/百万token。
问题是这个促销什么时候结束，Mistral没说。如果你要估算长期成本，按标价算比较稳妥。
有个数据值得注意：Artificial Analysis测出来，Mistral每个索引任务的成本是$1.13，DeepSeek是$0.67。DeepSeek每项任务便宜40%。
想用上它，三条路我都试了
第一条路最简单。打开Mistral Studio，创建API密钥，模型ID填 mistral-large-4 ，发一个Chat Completions请求就能跑。免费用户每月有$5额度，轻度测试完全够。
第二条路适合已经接了多家模型的人。OpenRouter上模型ID是 mistralai/mistral-large-4-0 ，切换只需要改一个slug。我实测用OpenRouter调它，延迟1.42秒，吞吐44 tok/s。这个速度不算快，比中位数稍好。
第三条路是自托管。走不通。 目前没有可下载的检查点，没有许可证文件，没有代码仓库。Mistral说权重月底放，但只给经过审查的合作伙伴和国家机构开放，普通人还得等。
如果你想把它配置到Claude Code里用，目前也没有官方支持。只能通过API间接调用，没法像GLM-5.3那样直接集成。
多模态和网络安全是它的王牌
我传了几张图片测试视觉能力，包括一张复杂的数据图表和一张手写笔记照片。
数据图表识别准确率很高，它能把表格里的数字提取出来并做简单分析。手写笔记差一些，潦草的字迹会认错。官方说一次能处理100张图片，我试了5张，没出问题。
网络安全是Mistral Large 4最强的维度。 Cybench得分93%，在真实漏洞复现和修复评测中拿到82%，明显优于Claude Opus 5.5和GPT-6 Astra。如果你做安全相关的开发，这个能力有实际价值。
中文理解方面，Mistral训练数据覆盖160多种语言，包括所有欧盟官方语言。我拿一段中文技术文档让它总结，准确率可以，但表达的流畅度不如DeepSeek和Kimi。写中文公众号文章的话，还是国产模型更顺手。
选谁不选谁，看你的场景
一句话总结：编程和网络安全选Mistral，知识问答和中文场景选DeepSeek。
如果你做Agent编程、安全分析、需要图片输入，Mistral Large 4在这几个方向确实有优势。Terminal-Bench上近一倍的差距不是小数字。
如果你做知识密集型任务、中文写作、成本敏感型应用，DeepSeek V4-Pro更合适。它的总参数多了50%，知识储备更厚，每项任务成本还低40%。
至于“开源权重”这件事，Mistral目前只是承诺，没有兑现。DeepSeek V4-Pro的权重现在就能从HuggingFace下载。如果你需要自托管，现在能选的还是DeepSeek。
Mistral说月底放权重，我到时候会盯着。真放了，1万亿参数的模型能在自己机器上跑，这事还挺让人兴奋的。但以目前的推理基础设施要求，普通人大概率还是用API。
Le Chonk这只肥猫，味道不错，但还没到可以随便抱回家养的程度。
热门跟贴