Mistral Large 4实测：万亿参数MoE模型编程能力如何？

Mistral AI 近日发布了 Mistral Large 4，代号“LeChonk”。这是一个拥有 1 万亿参数的混合专家（MoE）模型，每次激活 490 亿参数，支持文本和图像输入，上下文窗口达到 100 万 token。Mistral 计划在 10 月底前开放模型权重。本文基于 YouTube 实测视频，从基准测试和实际编程任务两个维度，评估这款模型的真实水平。

基准测试：多项指标领先同级

从公布的基准数据来看，Mistral Large 4 的表现可圈可点。在 DeepSwee 测试中得分 62%，略高于 GLM 5.3 的 61%。在 TerminalBench 上得分 28%，超过了 Kimi K3 和 QN 3.8 Max——有意思的是，后两者的模型规模都大于 Mistral Large 4。在 Harvey 法律智能体基准上，它取得 15% 的得分，是图中展示的模型中最高的一项。

Harvey法律智能体基准得分

这些数据表明，Mistral Large 4 在推理与专业领域任务上具备竞争力，尤其在参数效率方面表现突出。不过，基准测试终究是理想化环境，实际表现还需通过真实任务检验。

混合专家（MoE）架构：MoE 模型由多个“专家”子网络和一个门控路由网络组成，每个 token 只被路由到少数几个专家进行计算，因此总参数量（此处 1 万亿）远大于每个 token 实际激活的参数量（此处 490 亿）。这种设计让模型可以存储大量知识，同时把单次推理的计算成本控制在较小规模，这也是原文提到“参数效率”突出的技术来源。代价是显存占用仍需容纳全部专家权重，且路由不均衡可能影响训练稳定性。

上下文窗口与长上下文：上下文窗口指模型单次调用能同时处理的 token 上限，100 万 token 约相当于数十万汉字或数百页文档。长上下文能力依赖位置编码外推、注意力稀疏化或分块处理等技术，并非简单把窗口调大即可；实际有效长度往往短于标称值，评测中常需“大海捞针”类测试验证。

编程实测：3D游戏与网站构建

视频作者通过 VS Code 的自定义付费端点调用 Mistral Large 4，进行了三项编程测试。

3D 岛屿探索游戏

第一个测试是使用 Three.js 构建一个 3D 岛屿探索游戏。模型在接收提示后进入思考状态，随后生成 HTML 文件，并执行语法检查。最终成品在浏览器中运行良好：岛屿、树木、岩石和角色视觉元素协调，移动和相机控制正常。对于一次生成的任务来说，完成度令人满意。

3D岛屿游戏运行效果

网站构建

第二个测试是搭建一个包含 hero 区域、定价卡片、FAQ 和微交互的网站。模型生成了所有要求的区块，布局正常，页面结构符合预期。一个明显的瑕疵是：部分位置使用了 emoji 代替正式图标。除此之外，网站功能符合提示要求。

另一款游戏

作者还测试了另一款游戏，移动控制、计分系统和视觉效果均正常工作。

游戏测试结果

Three.js：一个基于 WebGL 的 JavaScript 3D 图形库，开发者无需直接编写底层着色器和渲染管线，即可在浏览器中构建 3D 场景、模型、光照与相机控制。原文测试中模型生成的岛屿、树木、角色以及移动与相机逻辑，均通过 Three.js 的 Scene、Mesh、Camera 等对象实现。它对模型的考验在于能否正确组织场景图结构、处理渲染循环与输入事件，而不是仅仅输出正确语法。

TerminalBench 与 Harvey 基准：TerminalBench 面向命令行终端环境中的智能体任务，评测模型在真实 shell 操作、多步工具调用中的完成率，得分偏低通常说明智能体能力仍是短板；Harvey 基准则面向法律专业任务，考察模型在合同分析、法律推理等场景中的表现。这类领域基准与通用代码基准互补，能更细致地反映模型在垂直场景中的可用性。

可用性与定价

目前，Mistral Large 4 可通过 Mistral API 和 OpenRouter 使用。在 OpenRouter 上，当前有 5 折优惠，输入 token 每百万 0.68 美元，输出 token 每百万 2.09 美元。由于权重尚未发布，暂时没有免费使用的途径。对于希望低成本试用的开发者，OpenRouter 的折扣价是一个合理的入口。

OpenRouter 与 API 定价：OpenRouter 是一个聚合多家模型提供商的统一 API 网关，开发者用同一套接口和密钥即可切换不同厂商模型，并按 token 计费。文中“输入 0.68 美元/百万 token、输出 2.09 美元/百万 token”是典型的按量计费模式，输出价格通常高于输入，因为生成阶段计算更密集。五折优惠属于阶段性促销，实际成本会随流量、缓存命中与上下文长度变化，长上下文任务的实际账单可能显著高于名义单价。

综合评价：西方实验室中的务实选择

作者的结论颇为克制：Mistral Large 4 并非同尺寸下最好的开源权重模型，但在西方实验室的产品中，它仍属于较好的开放模型之列。从实测来看，它“相当不错”——不完美，但也不差。

这一评价反映了当前开源模型竞争的格局：中国实验室在开源权重领域攻势猛烈，而 Mistral 作为欧洲代表，在参数效率和多模态能力上保持了自身特色。对于需要文本+图像输入、长上下文且偏好西方供应商的团队，Mistral Large 4 值得纳入评估清单。

权重开放后，模型的可及性和社区生态将迎来真正的考验。届时，更广泛的开发者反馈才能给出最终答案。