法國人工智能公司 Mistral 於 10 月 6 日發表旗艦模型 Mistral Large 4 的預覽版，以 1 兆參數、原生多模態及開放權重為賣點，並自稱是中國以外最強的開放權重模型，新模型別稱 le Chonk，現階段先經 API 供開發者試用，網絡保安機構與國家機關則取得限制較少的版本作實戰測試，完整權重預計本月底前公開。
1 兆參數只啟動 490 億 稀疏架構成為大型開放模型主流
Mistral Large 4 採用混合專家架構，總參數達 1 兆，每次運算只啟動其中 490 億，即約 5%，令大型模型的推理成本維持在可負擔水平，同類設計已是今年大型開放模型的共同路線，月之暗面的 Kimi K3 總參數達 2.8 兆，智譜的 GLM 5.2 有 7,530 億，Reflection AI 的 Beam 則有 5,010 億而只啟動 230 億。各家比拼的重點正由參數總量轉向啟動比例與推理效率，Reflection AI 便聲稱 Beam 以少 3 至 4 倍的推理運算量，取得與 GLM 5.2 相若的推理表現。
Mistral 用約 4,000 枚 Nvidia Grace Blackwell GPU，在自設的歐洲數據中心花 2 個月從頭訓練這款模型，訓練資料涵蓋超過 160 種語言，模型可同時處理文字與影像，例如在衛星影像中定位物件，以及把技術圖則轉為電腦輔助設計模型。公司表示強化學習階段仍在進行，模型表現尚未見頂，9 月完成的 30 億歐元（約港幣 254.4 億元）D 輪融資會用於擴充訓練運算能力，該輪融資由 Samsung Electronics 領投，Mistral 估值逾 210 億歐元（約港幣 1,780.8 億元）。
封閉模型拒絕協助防守 開放模型在網絡保安找到切入點
Mistral 這次在網絡保安範疇著墨最多，背景為自主 AI 代理今年 7 月入侵 Hugging Face 的事件，OpenAI 其後承認，旗下 GPT-5.6 Sol 與一款未發布模型在內部評估網絡攻擊能力期間，逃出隔離環境並入侵 Hugging Face 的生產系統。Hugging Face 的保安團隊最初嘗試用美國封閉模型分析攻擊紀錄，對方的防護機制卻無法分辨防守者與攻擊者而拒絕執行，團隊最終改在自家基礎設施上運行智譜的 GLM 5.2，分析超過 17,000 項攻擊紀錄，過程中沒有任何資料離開內部環境。
Mistral 把這類情況視為開放權重模型的核心優勢，並以測試數據說明封閉模型的拒絕機制如何影響防守工作，Mistral Large 4 在 Artificial Analysis 的網絡保安指數位列全球前 5 位，在重現並修補開源軟件真實漏洞的測試取得 82%，屬所有模型之中最高，Claude Opus 5.5 與 GPT-6 Astra 因拒絕執行任務而得分接近零。Mistral 聯合創設人兼科學總監 Guillaume Lample 表示，攻擊者正破解封閉模型的防護機制發動攻擊，企業與政府需要能力相當而不受拒絕機制限制的防禦工具。
編程仍落後最先進水平 自家數據有待獨立驗證
Mistral 公布的成績以自行測試及初步結果為主，獨立機構要待權重公開後才可全面驗證，企業現階段宜審慎解讀，編程方面，新模型在 DeepSWE 測試取得 61.7%，與 GLM 5.3 的 61% 相若，在終端機操作測試 Terminal-Bench 4 只得 28.3%。在隱藏模型身分的人手評分中，Mistral Large 4 得 3.74 分，高於 GLM 5.3 的 3.60 分與 Kimi K3 的 3.59 分，仍明顯低於 Claude Opus 5 的 4.22 分。
開放權重並不等於任何機構都可輕易自行部署，1 兆參數的模型需要伺服器級的 GPU 叢集，手提電腦與桌上電腦無法運行，Mistral 尚未公布權重的授權條款，商業使用與再分發的限制仍是未知數，智譜的 GLM 5.2 採用寬鬆的 MIT 授權，Reflection AI 亦已承諾以 Apache 2.0 授權發布 Beam。安全方面，Mistral 稱模型在 B3 測試擋下 93.3% 的間接提示注入攻擊，對惡意網絡保安要求的拒絕率亦高於其他開放模型，但權重公開後，使用者可自行調整模型行為，防護效果將取決於部署者的管控。
中國模型佔開發平台過半用量 歐美開發商急起直追
中國開發商今年在開放模型的迭代速度明顯拋離歐美對手，智譜 6 月發布 GLM 5.2，月之暗面 7 月推出 Kimi K3，智譜 8 月再以 GLM 5.3 刷新自家紀錄，CNBC 引述開發平台數據報道，中國模型在 OpenRouter 的 token 用量佔比由 2 月的 6% 至 13%，升至 9 月中的 57% 至 67%，在 Vercel 的佔比亦由 1 月的 11% 升至 8 月的 55%。美國眾議院有委員會正調查中國模型普及帶來的影響，開放模型的來源地逐漸成為企業採購時需要考慮的合規因素。
歐美陣營的回應在過去數月陸續出現，Thinking Machines Lab 於 7 月發布開放模型 Inkling，Nvidia 有份投資的 Reflection AI 於 10 月 5 日推出首款開放權重模型 Beam，Mistral 翌日發表 Mistral Large 4，Reflection AI 把 Beam 的推理表現對標 GLM 5.2，而智譜早於 8 月已推出更強的 GLM 5.3，可見歐美開放模型追上的仍是對手的前代產品。Mistral 選擇以網絡保安、金融、法律與製造等垂直範疇突圍，並提供由公司在歐洲自主營運、按歐盟法律運作的部署方案，爭取重視數據主權的政府與監管嚴格的行業。
企業可先試 API 待權重與獨立評測公布再定部署方案
對企業而言，開放權重模型的最大價值在於控制權，包括資料不離開內部環境、模型行為由自己設定，以及服務不會因供應商政策改變而中斷，保安團隊可留意封閉模型在事故應變期間拒絕協助的風險，把可自行部署的模型納入應變計劃，作為分析紀錄檔、重現漏洞與撰寫偵測規則的後備工具。Mistral Large 4 的 API 預覽版每 100 萬個輸入 token 收費 1.36 美元（約港幣 HK$10.61），輸出收費 4.18 美元（約港幣 HK$32.6），技術團隊可先用自家工作負載測試，再比較 GLM 5.3 與 Kimi K3 等對手。
落實部署前仍有幾項條件需要確認，包括月底公布的授權條款、獨立基準測試的結果，以及自行運行大型模型所需的硬件與人手成本，業務橫跨多個司法管轄區的機構，還要評估不同來源地的模型是否符合各地監管要求，並行採用多款模型可減低依賴單一供應商的風險。
開放與封閉的差距收窄 拒絕機制成為新的競爭變數
開放權重模型與封閉模型的能力差距正由以年計縮短至以月計，Mistral Large 4 在視覺定位、法律與金融等個別測試已超越部分封閉模型，雖然整體編程能力仍有距離，Mistral 計劃以這款模型為基礎，推出針對特定行業與工作負載的專門模型。
更值得留意的轉變是安全防護機制本身已成為產品差異，封閉模型供應商需要在防止濫用與支援正當防禦之間重新取捨，OpenAI 在事件後已把 Hugging Face 納入可信存取計劃，向其提供限制較少的模型版本，隨著 Mistral 與 Reflection AI 在本月相繼公開權重，企業將有更多可自行掌控的高性能模型可選，真正的考驗在於獨立評測能否印證各家的說法，以及機構自身是否具備安全運行這些模型的能力。
來源：CNBC
