Mistral Large 4 開源權重：1 兆參數模型可自行部署

Photo by Tyler on Unsplash

10 月 29 日，法國 AI 公司 Mistral 把旗艦模型 Large 4 的權重公開放上 Hugging Face。任何人都可以下載這組檔案，放進自己的伺服器執行，不必經過 Mistral 的 API，也不必連上任何一家 AI 公司的雲端。

值得停下來看一眼的不是「又多了一個新模型」，而是規模。Large 4 總參數量約 1 兆，是目前願意公開權重的模型裡體量最大的其中一個。過去兩年，開源陣營拿得出來的多半是幾百億到幾千億參數的中型模型，旗艦級一律鎖在 API 後面。

1 兆參數，實際只跑 520 億

先把規格講清楚，因為「1 兆參數」這個數字很容易被誤讀。

Large 4 採用的是混合專家（Mixture of Experts）架構：模型裡確實存放了約 1 兆個參數，但處理單一任務時，實際被啟用的大約只有 520 億。換句話說，它的「知識總量」是兆級的，但每次推理的計算成本接近一個 500 多億參數的模型。這是近兩年大型模型的主流作法，也是 Mistral 敢把權重放出來的前提——如果每次推理都要把 1 兆個參數全部算過一遍，絕大多數企業的機房根本跑不動，公開權重也只是象徵意義。

訓練端的數字同樣值得記一筆：Mistral 表示 Large 4 使用 3,800 顆 NVIDIA Grace Blackwell GPU、在歐洲境內完成訓練。對照美國幾家前沿實驗室動輒十萬顆等級的叢集規模，這個數字相當克制，也讓「自己訓練一個旗艦模型」這件事，從國家級預算往下挪了一格。

Photo by Crispin Jones on Unsplash

為什麼切入點選在資安

Large 4 的行銷定位不是「什麼都會」，而是明確押在兩件事上：程式開發與防禦型資安。Mistral 公布的數字裡，比較具指標性的有幾個：

• Terminal-Bench 4.0（命令列代理任務）：41%。10 月初的預覽版本是 28%，三週的額外強化學習把分數推上去了。同一張表上，中國的 GLM-5.3 是 40%、DeepSeek V4.1 Flash 31%、Kimi K3 21%。
• CyberGym-E2E（端到端資安任務）：79%，與 MiMo-V2.6-Pro 並列；DeepSeek V4.1 Flash 76%、GLM-5.3 Flash 74%。
• Artificial Analysis Coding Agent Index：Mistral 宣稱與 GLM-5.3 相當，但平均少用 47% 的 token 完成同一件任務。

這些分數多半出自 Mistral 自己的技術報告，第三方複驗仍在進行，看的時候要留一點餘裕。不過即使打個折，趨勢是清楚的：開源模型在代理式工作這一塊已經咬得很緊，領先者也不再只有中國團隊。

資安這個切入點也不是隨便挑的。Mistral 科學副總 Pierre Stock 的說法是，開放權重意味著「存取權在定義上就不可能被切斷」——資安團隊最怕的情境之一，就是事故正在發生時，外部服務剛好不可用或帳號被停權；模型跑在自家機房，這個風險就不存在。Mistral 同時公布，Large 4 對惡意資安請求的拒絕率是 96.6%。防禦型模型最常被質疑的，正是同一套能力攻擊方也能用；Stock 的回應是，防禦能力應該盡快讓所有人拿到。

這個論點成不成立還很難說。權重一旦公開，拒絕率就只是原廠版本的拒絕率；下載回去的人要不要把這層防護拆掉，Mistral 管不到。這是開放權重無法迴避的代價。

開放權重真正改變的是什麼

對多數企業來說，它實際改變的是三件事。

第一是資料的落點。模型在自家機房執行，送進去的程式碼、客戶資料、內部文件就不會離開公司網段。對有稽核要求、或客戶合約裡寫明資料不得出境的產業，這往往不是加分題，而是能不能用 AI 的及格線。

第二是成本結構。API 是變動成本，用越多付越多；自建是固定成本，前期砸硬體、之後的邊際成本趨近電費。交叉點在哪取決於用量：用量小的公司自建不划算，每天跑大量程式碼分析或日誌掃描的團隊則可能相反。

第三是供應商風險。API 會漲價、會改版、會把舊模型下架，上游公司的商業決策會直接變成你的技術債。權重在手上，至少你有「不升級」這個選項。

限制也要一起看。開放權重不等於沒有條款：Large 4 採用調整過的 MIT 授權，依報導，拿它做模型即服務對外轉售仍需另外取得商業授權。硬體門檻則落在多卡 GPU 伺服器的等級，不是一台工作站插張顯卡能解決。再加上版本管理、推理服務穩定性與安全更新都要有人負責，對沒有 MLOps 人力的公司，「自己跑」的總成本往往比帳面高一截。

Photo by Sasun Bughdaryan on Unsplash

開源與閉源的距離，正在變成什麼樣子

拉遠一點看，這次釋出最值得注意的其實是「誰在開源」的變化。過去兩年，公開權重的旗艦模型幾乎被中國團隊包辦——DeepSeek、Qwen、GLM、Kimi 輪流刷榜，歐美前沿實驗室則越走越封閉。Mistral 把 1 兆參數的模型放出來，等於在這張牌桌上補了一個位置。執行長 Arthur Mensch 的說法是，AI 應該是「賦能的工具，而不是支配的工具」；去掉行銷語言，背後的現實是：一家規模遠小於美國巨頭的公司，開源是少數能快速累積開發者與政府客戶的路徑。

對歐洲各國政府與受監管產業來說，這個選項的吸引力很直接——不必把敏感資料交給美國或中國的雲端，就能拿到接近前沿的能力。所謂「主權 AI」過去一年多半停留在政策文件裡，這類釋出才是讓它能被真正執行的材料。

台灣企業的位置不太一樣。多數中小企業的 AI 需求還在「把現有流程自動化」的階段，用量不到需要自建的規模，API 仍是比較合理的選擇。真正會被影響的是兩類組織：有資料不得外流要求的產業，以及推理量大到讓 API 帳單變成固定支出的團隊。對其他人來說，這比較像一個訊號，而不是現在就該把系統搬家。

幾個該保留的地方

第一，benchmark 分數和實際工作表現之間一直有落差。這類測試衡量的是結構化任務，與真實專案裡脈絡模糊、文件不全、需求中途改變的狀況差很多。模型選型終究要用自己的真實任務跑過才算數。

第二，「開源」這個詞在 AI 領域被用得很鬆。公開的是權重，不是訓練資料，也不是完整訓練流程；你可以執行、可以微調，但無法重現它的訓練過程。這和軟體世界的開源不是同一件事。

第三，時間點很值得玩味。同一週，Google 的 Gemini 4 Carbon 走的是相反路線——同樣主打資安能力，卻只先開放給經過審查的防禦方。一邊認為能力應該盡快擴散，一邊認為應該先控管再釋出，這兩條路線往後怎麼收斂，會是 AI 治理的一道分水嶺。

至於現在該做什麼，答案可能比想像中保守：先弄清楚自己的 AI 用量、資料敏感度與可用的維運人力，再回頭看這則新聞。對多數公司而言，開源旗艦模型的價值不是「馬上搬家」，而是談條件時手上多了一張可以攤開來的牌。