Mistral推出Mistral Large 4公开预览，权重将于本月底开放

Le Chonk 

今天，我们推出 Mistral Large 4 的 公开预览。非正式名称为 ML4，非常正式的名称则是：le Chonk。ML4 推动了开放权重性能的前沿。你今天即可在 Mistral Studio 上试用预览版 API。权重将于本月底发布。

前沿性能

ML4 是一个拥有 1 万亿参数的原生多模态模型，活跃参数为 490 亿。它是我们迄今规模最大、能力最强的模型，并且随着我们持续打磨，它仍在快速提升。

该模型在编程、智能体工作流和多模态理解方面表现出色。它已达到可与全球最强开源模型相竞争的性能，同时显著超越美国或欧洲开发的任何开放权重模型。在网络安全、金融和法律等关键企业工作负载上，我们认为它在开放模型中处于最先进水平。在视觉定位等某些领域，它更进一步，甚至超越了前沿闭源模型。

我们将在本月底前发布权重。在此之前，我们正与网络安全领域的领军者、经过审核的合作伙伴以及国家机构一起，在真实环境中对该模型进行红队测试；他们将访问同一模型，但审核有所放宽，网络能力则有所扩展。

演示

铸就于欧洲。为 AI 主权而生。

ML4 在 Mistral 位于欧洲的自有数据中心内，使用 3,800 块 NVIDIA Grace Blackwell GPU 从零开始训练。公开预览版也由同一基础设施提供服务。这是我们在基础设施、研究和产品开发方面长期投入的重要里程碑：通过开放权重，在关键垂直领域交付最先进的性能，旨在让客户掌控自己的 AI。

这一点在网络安全领域尤为重要：提供商层面的拒绝可能会阻碍正当的漏洞研究和事件响应，而在事件处置过程中失去某项能力，本身也可能成为重大安全风险。ML4 将顶级网络安全性能与开放权重和自主部署相结合，使组织既能获得相应能力，又能按照自身政策自主开展高级安全工作。

该模型将在全球多个地区提供，其中包括由 Mistral 端到端运营、独立于其他数字服务提供商并受欧洲法律管辖的欧洲部署。趣味事实：ML4 的训练数据中有相当大一部分是多语言的，涵盖 160 多种语言，包括欧盟的每一种官方语言。 

我们一直与全球金融、工程、制造、物流、制药、科学、航运、公共部门及其他关键任务行业的领先企业密切合作，共同训练 ML4。事实上，该模型使用的训练、定制和 RL 环境，与我们通过 Mistral Forge。 向客户提供的环境相同。

立即试用

后续还有更多内容。在我们推进权重发布的过程中，我们将进一步分享模型架构、更多基准测试以及后训练方法的细节。

该模型也将成为新一代专用化、优化版 Mistral 模型的基础。与此同时，我们邀请你 试用预览版 API，并在社交媒体上与我们分享你的反馈。

能力深度解析

网络安全

ML4 是全球最强的网络安全 AI 模型之一。在 Artificial Analysis Cyber Index（一项独立评估 AI 模型在真实软件中发现并修复安全缺陷能力的评测）上，它位列全球前五，并大幅领先于中国以外开发的开源权重模型。在该指数的一项测试中，模型需要复现开源软件中的真实漏洞并随后加以修补，ML4 得分为 82%，为所有模型中最高。它还解决了 Cybench 中 93% 的挑战；Cybench 是一套源自安全竞赛的 40 道练习题，这一成绩是开源权重模型所报告的最高分之一。

这一最高分体现了实际优势。包括 Claude Opus 5.5 和 GPT-6 Astra 在内的若干领先闭源模型在同一测试上得分接近于零，因为它们拒绝执行该任务。然而，软件防御往往始于证明某个缺陷真实存在，而这恰恰是闭源模型中的安全过滤机制可能阻止的工作。随着威胁行为者越来越多地越狱这些模型以支持进攻性网络活动，这一点变得更加重要：防御方需要能够匹敌这些能力、而又不受同样拒绝机制约束的系统。ML4 能够完成这项工作，其能力还超出了它被明确训练的范围：在内部测试中，它被证明有助于分析恶意软件、确定漏洞优先级以及编写检测规则。对于需要用于安全运营的主权、可审计 AI 的组织而言，它将能够在私有云或本地部署中运行。

ML4 对阵全场：高效推理各类复杂挑战

恶意软件逆向工程：解决一项分布外调查任务

智能体编程

ML4 在软件工程、代码仓库理解以及复杂终端工作流方面表现卓越，在 DeepSWE v1.1 上得分为 61.7%，在 SWE-Atlas-QnA 上为 59.4%，在 Terminal-Bench 4 上为 28.3%。其综合 Coding Agent Index 得分为 49.8%，领先于 DeepSeek V4 Pro 0813 和 Qwen3.8 Max。

* DeepSWE、Terminal-Bench 4 和 SWE Atlas QnA 的分数采用 ArtificialAnalysis 编程指数所报告的数字。Vibe Code Bench v1.1 采用 vals.ai 所报告的数字。 

我们还与 Surge AI 合作，就编程质量开展了盲测人工评估：专业标注员在隐藏模型身份的情况下，按 1–5 分对模型输出进行评分。ML4 Preview 在五个模型中排名第二（3.74），领先于 Kimi K3（3.59）、GLM-5.3（3.60）和 GLM-5.2（3.40），仅次于 Claude Opus 5（4.22）。

智能体工作流

ML4 运行通用智能体，能够在复杂工作流中收集信息、使用工具并产出成品交付物。在 AutomationBench — 涵盖 Gmail、Google Sheets、Slack 和 Salesforce 等应用的 657 个业务工作流 — 上，它的得分为 59.9%，领先于 Kimi K3、MiMo-V2.6-Pro 和 DeepSeek V4 Pro。

它在知识工作实际产出的专业交付物上同样出色：电子表格、幻灯片和 PDF。在评估长程知识工作的 AA-Briefcase 上，它达到 1,393 Elo，领先于 DeepSeek V4 Pro。

多模态

ML4 是我们模型图像理解能力的一次跃升。它能在复杂文档、图表和自然图像上进行强有力的推理，并将视觉能力带入感知至关重要的行业，例如工程、制造和地球观测。

该模型还能进一步将视觉定位与智能体能力结合起来：从检视十亿像素级卫星图像——帮助灾害响应团队在争分夺秒时采取行动——到分析工程图纸——放大、检视并核验，直至答案精确无误。在上述演示中，ML4 对密集的自然场景进行定位，核验技术图纸中的机械零件，从 PDF 中检索证据，并扫描海量地理空间图像以寻找最难发现的目标。

尤其在视觉定位方面，我们发现 ML4 是我们测试过的能力最强的模型之一，例如在 Dense 200 上超越了 GPT-6-Astra（42% 对 41%）。

科学与数学

ML4 带来强大的科学能力，这是通过将 AI 驱动的方法与我们研究人员在数学、物理和化学方面的专长相结合而打造的。

它非常擅长面向科学任务的智能体编程，例如数据分析、建模和模拟物理现实，使研究人员能够专注于问题本身，而非繁琐的底层工作。在基准测试中，ML4 在开放权重模型中于 SciCode-Verified 上达到最先进水平。在实践中，它可以一次性生成完整的 Hartree–Fock 模拟——一项由一系列高级例程构建的复杂、多步骤化学任务。

ML4 的数学能力也更强，无论是形式推理还是应用数学。在我们的人工评估中，它的推理比 GLM-5.3 更精确、更有条理，并且能够持续承担长程、特定领域的应用数学任务，包括与前沿理论物理相关的工作。

这些能力共同使 ML4 成为贯穿完整技术工作流程的强大研究助手——从最初的问题到最终的结果。

SciCode-Verified 测试模型以代码实现复杂科学工作流的能力，领域涵盖物理学、数学、材料科学和生物学。 

ML4 与 GLM5.3 在 STEM 任务（数学与物理）上的内部评估

知识工作

ML4 是我们面向专业人士日常处理的真实世界任务能力最强的模型。它可以创建、编辑和修复复杂的电子表格与文档，在法律和金融基准测试中均展现出卓越表现。

值得注意的是，我们通过第三方评估方（vals.ai）针对法律与金融任务的代表性任务对 ML4 进行了评估，发现该模型在两种情况下均超过 GPT-6-Astra。在 HarveyAI 的 Legal Agent 基准测试中，ML4 的表现优于所有开源模型。

FinWorkBench 测试模型在现实生活中的金融与会计用例里创建/编辑电子表格的能力。

金融分析要求精确，以及从多个来源综合信息的能力，而这一过程在当今许多金融机构中仍然十分耗时。在此演示中，ML4 与 Mistral Medium 3.5 接受同一项多步骤公司金融挑战，检索公开的公司申报文件和财务报告，例如可通过 EDGAR 及同等欧洲数据库获取的资料。一幅动画语义地图追踪每个模型走向解决方案的历程，并突出显示沿途检索到的每一份文档。每条轨迹的位置反映已收集的证据、计算的结果以及仍未解决的问题。观看者可以跟随调查如何展开，并比较每个模型在得出最终答案之前所采取的不同路径。

模型安全

ML4 已在我们关于间接提示注入稳健性的基准测试中达到饱和，使其处于开源模型的前沿（对比 GLM-5.2、GLM-5.3、Kimi-K2.6、Kimi-K3、DS-V4-Pro-0813）。在 Lakera 公开的 B3 AI Security Benchmark 上，ML4 抵御了 93.3% 的攻击——我们未在竞品中看到更高的分数。

ML4 与用户的互动也比我们以往任何模型都更负责任。我们重点展示其在 KORA Benchmark 上的结果：ML4 再次取得我们在开源模型中测得的最高分（1.691，满分 2 被标为“典范”）。 

尤其值得关注的是，该模型倾向于拒绝与网络安全相关的恶意请求。尽管在网络安全基准测试上表现强劲，该模型对来自 JailbreakBench、StrongREJECT 和 AgentHarm 的网络安全提示的平均拒绝率仍高于所有开源模型。

人工评估

我们开展了一项内部评估，来自编程、计算机辅助设计（CAD）、金融、数学和物理领域的专家标注员将 Mistral Large 4 与 GLM-5.3 进行了比较。ML4 在 CAD 和 STEM 领域更受青睐，而在金融和编程方面与 GLM-5.3 持平或接近。

大规模强化学习

基座模型进步很快，我们的后训练必须跟上步伐。为昨日模型调优的方案，会在今日的前沿模型上留下未被发挥的能力，因为曾经把模型推向极限的真实样本如今已不再如此。我们使用强化学习（RL），是因为它会随模型一同适应：我们根据模型自身尝试的结果进行训练，并可以随着它变强而提高任务的难度和广度。

我们的 RL 库旨在让新环境易于添加并大规模训练。一套共享的可组合接口，使单次训练运行能够结合从单轮对话、复杂科学问题求解，到安全对齐、事实性以及长程工具使用等各类任务。这些环境共享脚手架和资源，例如代码沙箱、网页搜索和外部 API。同样的可组合性也延伸到验证环节，可根据每项任务的需要组合奖励模型、单元测试、LLM 评判器和静态检查。

在运行时，一组可自动扩缩的 actor 集群并行生成数万条 rollout，同时模型训练异步进行。生成与训练流水线针对长轨迹进行了优化，支持跨多次压缩、预算达数百万 token 的 rollout，同时将陈旧度保持在较低水平。两个阶段的新方法和优化将离策略漂移降至最低，并实现长程稳定的强化学习。

以我们当前的规模（3k GPU），单次训练运行每天大约产生 330 亿个 token，经过过滤和掩码后，其中约有 160 亿个可训练的补全 token。我们可以直接从训练 rollout 中看到运行进展：随着策略学会解决日益复杂的任务，多个代表性环境中的训练奖励不断上升。以下是几个示例。

这些改进并不局限于我们训练所用的环境；它们会迁移到下游评测，而最终模型的这些提升归功于两个后训练阶段（监督微调与 RL），如图表所示。

接下来

这仅仅是开始。ML4 是我们 30 亿欧元 D 轮融资所支持路线图上的第一个里程碑——这是欧洲科技公司有史以来规模最大的股权融资轮次。这笔资金已经投入使用：我们正在大幅扩展自有欧洲数据中心的算力，未来数月还将有更多算力上线。

更多算力意味着更多训练。此次预览背后的强化学习训练仍在进行中，模型尚未出现饱和迹象——前方仍有相当大的提升空间。随着我们在扩展后的基础设施上扩大训练规模，我们预计未来数周和数月将出现大幅且快速的改进。

我们将在本月底发布权重，并公布更多关于架构、额外基准测试以及后训练方法的细节。而 ML4 只是基础：它将成为新一代专用且经过优化的 Mistral 模型的基座，面向客户最关心的行业与工作负载而打造。

此后的进展速度将会很快。敬请关注。