Mistral AI 發表旗艦模型 Mistral Large 4：開源性能再突破

Mistral AI 今日推出 Mistral Large 4 (ML4) 的公開預覽版，非官方名稱為「le Chonk」。ML4 將開源模型的性能推向新境界，您可立即透過 Mistral Studio 試用其預覽 API，模型權重將於本月底釋出。

ML4 是 Mistral AI 迄今最大、能力最強的模型，擁有 1 兆參數和 490 億個活躍參數，並且仍在快速改進中。該模型在編碼、代理工作流程和多模態理解方面展現出卓越性能，其表現已與全球最強大的開源模型競爭，並顯著超越美國或歐洲開發的任何開源模型。

在網路安全、金融和法律等關鍵企業工作負載中，我們發現 ML4 在開源模型中處於領先地位。在某些領域，例如視覺定位，它甚至超越了頂尖的閉源模型。我們將於本月底發布模型權重，在此之前，我們正與網路安全領導者、經過審查的合作夥伴和國家機構進行紅隊演練，他們將使用相同模型，但具有較低的審核限制和更強大的網路功能。

ML4 在歐洲從零開始訓練，使用了 Mistral AI 位於歐洲自有資料中心的 3,800 個 NVIDIA Grace Blackwell GPU。公開預覽版也部署在相同的基礎設施上。這標誌著我們在基礎設施、研究和產品開發方面長期投資的一個重要里程碑，旨在透過開源權重提供客戶對其 AI 的控制權，實現關鍵垂直領域的頂尖性能。

這在網路安全領域尤為重要，因為供應商層級的拒絕可能會阻礙合法的漏洞研究和事件回應，而事件發生中斷能力存取本身就可能成為關鍵的安全風險。ML4 將頂級網路性能與開源權重和自行部署結合，讓組織能夠在自己的政策下執行進階安全工作，同時擁有能力和自主權。

該模型將在全球多個地區提供，包括 Mistral AI 在歐洲獨立營運、不受其他數位服務供應商影響並受歐洲法律管轄的部署。有趣的是，ML4 的訓練資料有很大一部分是多語言的，涵蓋 160 多種語言，包括歐盟所有官方語言。我們一直與全球金融、工程、製造、物流、製藥、科學、航運、公共部門和其他關鍵任務產業的領先企業密切合作，以訓練 ML4。

事實上，該模型使用的訓練、客製化和強化學習環境與我們透過 Mistral Forge 提供給客戶的相同。

未來還有更多內容將會發布。在我們努力釋出權重期間，我們將分享更多關於模型架構、額外基準測試和後訓練方法的詳細資訊。該模型也將作為新一代專業化和最佳化 Mistral 模型的基礎。在此期間，我們邀請您試用預覽 API，並在社群媒體上與我們分享您的回饋。

ML4 是全球最強大的網路安全 AI 模型之一。在 Artificial Analysis Cyber Index 這項獨立評估 AI 模型在真實軟體中發現和修復安全漏洞能力的指標上，它在全球排名前五，並大幅領先中國以外開發的開源模型。在其中一項測試中，要求模型重現開源軟體中的真實漏洞並修補它，ML4 獲得 82% 的分數，是所有模型中最高的。

它還解決了 Cybench 中 93% 的挑戰，這是一組來自安全競賽的 40 個練習，是開源模型報告的最高分數之一。這個高分反映了實際優勢，包括 Claude Opus 5.5 和 GPT-6 Astra 在內的幾個領先的閉源模型在相同的測試中得分接近零，因為它們拒絕執行任務。然而，軟體防禦通常始於證明漏洞是真實的，這正是閉源模型中的安全過濾器可能阻礙的工作。

隨著威脅行為者越來越多地「越獄」這些模型以支援攻擊性網路活動，這一點變得更加重要：防禦者需要能夠匹配這些能力而不受相同拒絕限制的系統。ML4 可以完成這項工作，其能力甚至超越了其明確訓練的範圍：在內部測試中，它被證明可用於分析惡意軟體、優先處理漏洞和編寫檢測規則。對於需要主權、可審計 AI 進行安全操作的組織，它將能夠在私有雲或本地部署運行。

ML4 在軟體工程、程式碼庫理解和複雜終端機工作流程方面表現出色，在 DeepSWE v1.1 上得分 61.7%，在 SWE-Atlas-QnA 上得分 59.4%，在 Terminal-Bench 4 上得分 28.3%。其綜合編碼代理指數得分為 49.8%，領先於 DeepSeek V4 Pro 0813 和 Qwen3.8 Max。

我們還與 Surge AI 進行了編碼品質的盲測人工評估：專業註釋者以 1-5 分的等級評估模型輸出，並隱藏模型身份。ML4 預覽版在五個模型中排名第二 (3.74)，領先於 Kimi K3 (3.59)、GLM-5.3 (3.60) 和 GLM-5.2 (3.40)，僅次於 Claude Opus 5 (4.22)。

ML4 運行通用代理，這些代理在複雜的工作流程中收集資訊、使用工具並產生最終交付成果。在 AutomationBench 上，涵蓋 Gmail、Google Sheets、Slack 和 Salesforce 等應用程式的 657 個業務工作流程中，它得分 59.9%，領先於 Kimi K3、MiMo-V2.6-Pro 和 DeepSeek V4 Pro。

它在知識型工作實際產生的專業交付成果（試算表、投影片和 PDF）方面也同樣強大。在評估長期知識型工作的 AA-Briefcase 上，它達到 1,393 Elo，領先於 DeepSeek V4 Pro。

ML4 在模型理解圖像的能力上實現了質的飛躍。它能夠強大地推理複雜文件、圖表和自然圖像，並將視覺能力帶入工程、製造和地球觀測等感知至關重要的產業。該模型還可以將視覺定位與代理能力結合：從檢查千兆像素衛星圖像，協助災害應變團隊在時間緊迫時採取行動，到分析工程圖紙，放大、檢查和驗證直到答案精確無誤。

在我們的演示中，ML4 定位密集的自然場景、驗證技術圖紙中的機械零件、從 PDF 中檢索證據，並掃描巨大的地理空間圖像以尋找最難找到的物體。特別是在視覺定位方面，我們發現 ML4 是我們測試過的最有能力的模型之一，例如在 Dense 200 上超越 GPT-6-Astra (42% vs 41%)。

ML4 結合了 AI 驅動的方法和我們研究人員在數學、物理和化學方面的專業知識，帶來了強大的科學能力。它在用於科學任務的代理編碼方面非常熟練，例如資料分析、建模和模擬物理現實，這讓研究人員可以專注於問題而非底層細節。在基準測試中，ML4 在開源模型中的 SciCode-Verified 上處於領先地位。

實際上，它可以在一次性生成完整的 Hartree–Fock 模擬，這是一個由一系列進階例程組成的複雜多步驟化學任務。ML4 的數學能力也更強，無論是在形式推理還是應用數學方面。在我們的人工評估中，它比 GLM-5.3 推理更精確、結構更清晰，並且可以持續執行長期、特定領域的應用數學任務，包括與前沿理論物理學相關的工作。

總之，這些能力使 ML4 成為整個技術工作流程中強大的研究助理，從第一個問題到最終結果。

ML4 在對間接提示詞注入的魯棒性方面已達到我們基準測試的飽和點，使其處於開源模型的前沿（與 GLM-5.2、GLM-5.3、Kimi-K2.6、Kimi-K3、DS-V4-Pro-0813 相比）。在 Lakera 的公共 B3 AI 安全基準測試中，ML4 抵抗了 93.3% 的攻擊，我們在競爭對手中沒有看到更高的分數。

ML4 還比我們以前的任何模型都更負責任地與用戶互動。我們強調了我們在 KORA 基準測試中的結果，ML4 在開源模型中再次達到我們測量的最高分數 (1.691，其中 2 表示「典範」)。

特別相關的是模型對惡意網路安全請求的拒絕傾向。儘管在網路基準測試中表現強勁，但模型在 JailbreakBench、StrongREJECT 和 AgentHarm 的網路提示詞上的平均拒絕率高於所有開源模型。我們進行了一項內部評估，其中編碼、電腦輔助設計 (CAD)、金融、數學和物理領域的專家註釋者將 Mistral Large 4 與 GLM-5.3 進行了比較。

ML4 在 CAD 和 STEM 領域更受青睞，而在金融和編碼領域表現與 GLM-5.3 持平或接近。

基礎模型正在快速改進，我們的後訓練也必須跟上。針對昨日模型調整的配方，對於今日的頂尖模型來說，會讓能力有所保留，因為過去將模型推向極限的真實樣本已不再適用。我們使用強化學習 (RL)，因為它會隨著模型的進步而調整：我們根據模型自身嘗試的結果進行訓練，並且可以隨著模型變強而提高任務的難度和廣度。

我們的 RL 函式庫旨在輕鬆添加新環境並進行大規模訓練。一個共享的、可組合的介面允許單次訓練運行結合從單輪聊天和複雜科學問題解決到安全對齊、事實性和長期工具使用等各種任務。這些環境共享腳手架和資源，例如程式碼沙盒、網路搜尋和外部 API。相同的可組合性也延伸到驗證，獎勵模型、單元測試、大型語言模型評審和靜態檢查根據每個任務的需要進行組合。在運行時，一個自動擴展的執行器群組會產生十個。