假设一家公司想让 AI 阅读内部文档、检查代码，又不愿把资料交给外部在线服务。过去，它往往要在“能力更强”和“能否自己掌控”之间取舍。Mistral Large 4（昵称 Le Chonk）的看点，就在于把一个约 1 万亿参数的旗舰模型开放权重：团队可以下载训练完成后的参数，在自己的基础设施上运行和定制。
先说清楚，开放权重不等于完全开源。材料没有披露许可证，也没有说明训练数据和训练代码是否开放。本文的模型规格与效果数字均来自 Mistral 官方博客及官方模型卡，属于同一机构的单一信源，尚不能算独立验证。
一万亿参数，不代表每次都全员上班
Mistral Large 4 是原生多模态模型——可以接收文字和图片，但输出文字。它采用 Mixture-of-Experts（MoE，混合专家）结构：模型内部有许多“专家”模块，处理每个 token——也就是文字被模型切分后的基本单位——时，只调用其中一小部分。
可以把它想成一家规模很大的顾问公司。公司花名册很长，但每个项目只派最合适的小组参与。模型约有 1T 总参数，决定了完整权重有多大；每个 token 实际激活 49B 参数。若把 embeddings 和 output layers——负责把输入映射进模型、再把内部结果变成输出的部分——也算进去，则是约 52B，因此型号中写作 A52B。
具体来说，它有 128 个按需选择的 routed experts，每个 token 启用其中 4 个，另有 1 个 shared expert。这个设计并没有让万亿参数凭空变轻：保存完整模型仍要面对 1T 权重的体量。但估算每一步推理的计算量时，52B 激活参数比 1T 总参数更有参考价值。
模型还提供 1M context length，也就是一次能够纳入推理范围的上下文长度。官方称它原生支持 160 多种语言，包括欧盟所有官方语言；同时支持 low、medium、high 三档 reasoning effort——模型投入多少推理工作的设置——默认使用 high。简单任务可以少算一些，复杂任务则换取更充分的处理。
“自己部署”仍然有很高门槛
Mistral 称，该模型从零开始在欧洲训练，使用其欧洲自有数据中心的 3,800 张 NVIDIA Grace Blackwell GPU。这个数字也提醒人们：开放下载和容易运行是两回事。Mistral Large 4 面向的主要是拥有较强本地或数据中心算力、需要自行部署与定制的团队，并不是普通电脑上的轻量模型。
不过，本地部署生态已经迅速接上。官方模型卡列出了 ggml-org 与 unsloth 提供的 GGUF 转换版，以及 NVFP4 GGUF 版本。GGUF 是 llama.cpp 生态常见的模型文件格式，会把权重和运行所需的元数据装在一起，便于兼容工具加载与量化。它们的快速出现，使这次发布同时落在两条主线上：一边是前沿大模型继续扩张，另一边是社区努力把庞大权重变成可实际部署的文件。
不想自行部署的用户，也可以通过 Mistral API，以 mistral-large-4 调用同一模型。
三周强化学习，官方强调的是编码效率
Mistral Large 4 先以公开预览形式出现，随后又进行了约三周强化学习——通过反馈进一步调整模型行为的训练阶段。Mistral 称，这轮训练改善了编码、防御性网络安全和推理效率。
官方给出的代表性结果有两组。在 Cognition 的私有 FrontierCode 2.0 基准上，模型得分为 19.7%。该测试关注端到端代码质量，以及仓库维护者是否愿意合并模型提交的修改；但由于基准私有，外界难以完整复现。
在 Artificial Analysis Coding Agent Index 上，它得到 48%，与 GLM-5.3 基本持平。Mistral 同时称，它平均每项任务少使用 47% tokens。后一个数字尤其值得留意，因为编码智能体会连续读取文件、调用工具和修改代码，输出越长，运行成本通常越难控制。不过，材料没有给出完整评测配置、竞争模型清单或第三方复核，因此不能据此坐实“最佳开放权重编码模型”等官方比较性表述。
为什么值得关注？
这次发布的意义不只是“参数又大了”。它把几个通常分开讨论的问题放到了一起：万亿级总参数的 MoE、每次约 52B 的实际激活规模、文字与图像输入、百万级上下文，以及可以下载和自行控制的权重。
名字背后还有一段轻松的插曲。据 Decrypt 与 Mistral AI 对 Pierre Stock 的访谈，“Le Chonk”最初源于开发者社群虚构的一只巨猫。网友曾给恶搞模型安上“30 万亿参数”等离谱指标，CEO Arthur Mensch 也参与接梗。后来网站出现卡通猫，真正的万亿参数模型发布时，这个民间绰号才成为官方昵称。
玩笑最终对应了一个严肃问题：当模型越来越大，谁能运行、修改和控制它？Mistral Large 4 给出的答案是开放权重，但它没有消除算力门槛。真正值得观察的，是这种“可获得但不轻便”的旗舰模型，能否在企业自托管、编码与安全场景里形成可持续的使用方式。
局限与未知
- 许可证、训练数据与训练代码的开放范围，现有材料没有说明，因此不宜称其为完全开源模型。
- 编码成绩、欧洲训练、语言能力等说法均来自 Mistral，缺少独立复核；私有基准尤其限制了可复现性。
- GGUF 与 NVFP4 版本已经出现，但材料没有提供具体硬件需求、运行速度和精度损失，普通团队实际部署要付出多大成本仍不清楚。