先看证据
从 API 试用到权重可部署
Mistral 于 2026 年 10 月推出 Mistral Large 4：10 月 6 日先开放 API 公测，10 月 29 日又在 Hugging Face 介绍已可获取的模型权重。它是一个多模态、多语言的混合专家模型，接收文本和图像、生成文本，约有 1 万亿总参数、490 亿激活参数，支持 100 万 token 上下文。模型面向的不只是通用问答，也包括编码代理、多模态任务和防御性网络安全工作。
对安全团队而言，权重开放改变的是模型进入工作流的方式。漏洞研究和事件响应常常需要重现攻击行为来确认问题、验证补丁，但这类输入可能触发托管服务的过滤；事故处理中，团队也可能不愿把代码或样本交给外部 API，或依赖一个随时可能不可用的服务。自行部署不能自动解决所有问题，却让团队可以把运行地点、数据流和策略控制纳入自己的系统设计。
两种稀疏，各自缩小计算范围
Large 4 的结构把两种不同的稀疏机制叠在一起。MoE 路由器为每个 token 从 128 个专家中选出 4 个，另有一个共享专家始终参与，因此每个 token 实际激活 5 个专家；第一层使用稠密前馈网络，其余 71 层使用 MoE。它不是让每次计算都经过全部专家，而是让模型按 token 选择参与者。
注意力侧做的是另一种筛选：MLA 压缩 KV 表示，DSA 索引器则为每个查询最多选择 2048 个历史位置。前者减少参与计算的专家，后者缩小注意力读取的上下文位置，两者不能混为一谈。模型还采用跨层共享 KV 状态及 RoPE、NoPE 的层间安排，并由 1.6B 参数的 Pixtral 编码器处理图像输入。百万 token 的窗口说明可接纳很长的输入，但不意味着每个查询都对全部历史位置做同等密集的注意力计算。
82% 说明了什么，又没有说明什么
最贴近防御工作的一项证据来自 Artificial Analysis Cyber Index。测试要求模型复现开源软件中的真实漏洞，再修补软件；Mistral Large 4 得分 82%。Mistral 的文章称，一些闭源前沿模型在同一测试中接近零分，原因是它们拒绝尝试。这凸显了一个实际矛盾：若系统把漏洞复现一概视为有害行为，它也可能挡住验证和修补漏洞所需的工作。
但这个分数不能外推成“模型在网络安全上有 82% 的可靠性”，也不能证明它能独立处理真实事件。它衡量的是一个特定的复现—修补任务。Mistral 还称，内部测试中模型对恶意软件分析、漏洞优先级排序和检测规则编写有用，但这些是厂商报告的结果，不应与该项公开测试分数混成同一种证据。更稳妥的读法是：模型显示出值得在防御流程中验证的能力，而不是已经通过了生产环境验收。
可部署不等于部署容易
开放权重让团队有机会把模型放到自有代码库、崩溃日志和恶意软件样本附近，构建漏洞复现、补丁生成和验证的内部链路。这种部署方式的价值不只是隐私：事件响应可以减少对单一 API 可用性及其过滤策略的依赖，研究者也能直接观察模型在不同提示下何时拒绝、何时继续。若复现结果可验证，模型生成的修补轨迹还可以作为训练较小安全模型或构建强化学习环境的材料；这是可探索的路径，不是模型发布本身就交付的能力。
代价首先是硬件。现有材料列出的本地运行路径包括 Apple Silicon Ultra 上的 Q2_K 量化，以及面向 NVIDIA Blackwell GPU 的 NVFP4 版本；其中 2-bit 量化运行需要 512GB 统一内存。材料记录的 M3 Ultra Q2_K 运行结果约为预填充 90、生成 15 token/s。这些数字只能帮助估算特定硬件和量化方案的可行性，不能代替团队在目标负载下测量延迟、吞吐和并发能力。对技术负责人来说，“有权重”与“能以合适成本承载工作流”是两个不同的验收问题。
开放权重仍有许可与安全边界
Mistral Large 4 采用 Mistral Ecosystem Open-Weight License。它是 MIT 的衍生许可，但并非无条件放开：经营模型即服务业务需要另行取得 Mistral 的商业许可。因此，自行部署和向外提供托管服务不是同一件事；企业在决定把模型嵌入内部工具或对客户开放之前，应分别核对许可和商业安排。
模型本身也没有因为权重开放就取消拒答。Mistral 称，在 JailbreakBench、StrongREJECT 和 AgentHarm 的网络安全提示上，它的平均拒答率高于其他开放权重模型。对防御团队来说，这意味着可控性增加，不代表每个请求都会得到预期响应；对治理团队来说，能直接评估拒答行为是开放权重的一项优势。合理的判断不是把安全筛选全部交给模型，而是在自有环境中测量误拒与漏拒，再决定哪些步骤需要人工复核、哪些结果必须由测试或补丁验证。