1 万亿参数全量开源：Mistral 把「主权 AI」押在网络安全上

一家银行的安全团队要在内网里跑一个前沿模型，用它扫代码、看日志、判断某条告警是不是误报。它有两个选择：把敏感数据传到别人的云上，或者把模型搬到自己的机房里。前者在合规上过不去，后者在过去的两年里基本做不到——因为最强的模型都不给权重。

10 月 29 日，Mistral 把这个选项摆上了桌面。这家法国公司发布了 Mistral Large 4（ML4）的模型权重，允许企业和政府自行下载、部署、拥有。这个内部代号「Le Chonk」的万亿参数模型本月早些时候首次亮相，现在连训练出来的数值一起交了出去。

一分钟速览

• Mistral 开源万亿参数模型 Mistral Large 4 的权重，主打网络安全场景。
• 官方称其性能与全球最强开源模型之一 GLM-5.3 相当，但每个任务消耗的 token 少 47%，经济性更好。
• 在 Artificial Analysis 的 Coding Agent Index 上，Mistral 称 ML4 在所有开源模型中排名第一。
• CEO Arthur Mensch 的定位是：AI 应该成为「赋能工具，而不是支配工具」。
• Mistral 强调，它以闭源实验室「一小部分算力与资本」达到了前沿性能。

为什么是网络安全

开源权重这件事，在不同场景里的分量完全不同。做一个消费级聊天助手，权重开不开源，用户感知有限；但做网络安全，权重就是命门。

安全团队要处理的是代码仓库、内网流量、终端日志、事故响应记录——这些数据几乎不可能整包送给第三方。更麻烦的是，攻击面本身在变化：漏洞披露到被利用的窗口越来越短，靠人工分析跟不上了。企业需要的是一个能常驻在自己环境里、可以被审计、可以按自己规则微调的安全分析员。

Mistral 的说法很直接：在日益增长的网络威胁下，ML4 把「主权网络防御能力」交到企业和政府手里，机构可以下载、部署并拥有前沿 AI，用来检测、分析、响应跨代码与 IT 基础设施的威胁。

这句「拥有」是关键词。部署在自己机房里的模型，不依赖外部 API 的可用性，不受对方服务条款变更的影响，也不会在某天因为上游策略调整而突然消失。对政府机构来说，这几乎是硬性要求。

47% 的 token 差，才是真正的卖点

万亿参数听起来唬人，但企业买单时看的是另一张表：完成一个任务要花多少钱。

Mistral 给出的对比是，ML4 的性能与 GLM-5.3 相当——后者是目前全球最强的开源模型之一，在网络安全类任务上尤其突出——但 ML4 每个任务消耗的 token 少 47%。在按 token 计费的推理经济里，这接近「同样的活，一半的钱」。

这个数字背后是训练与推理的取舍。参数规模上去之后，如果模型倾向于输出冗长的推理过程，单任务成本会迅速失控。能在万亿参数上把 token 效率压住，说明后训练阶段在「什么时候该停」这件事上做了不少工作。

另一边，Mistral 强调自己用「一小部分算力和资本」达到了前沿性能。这句话是对闭源路线的正面挑战：如果万亿参数的训练不需要几百亿美元的资本开支，那么「只有少数几家公司能做出前沿模型」这个前提就不成立。

开源与闭源的战线，正在往「可信部署」移动

这场争论过去两年一直停留在能力层面——开源模型落后闭源几个月。现在战线换了位置：不是谁更强，而是谁能被部署在数据不能出门的地方。

TechCrunch 的报道里提到一个细节：不少企业 CEO 对把全部数据交给某一家模型公司感到不安，希望把一部分工作负载放在本地。律师事务所已经在用本地部署的 AI——这件事放在两年前几乎不可想象。

这也是 Mistral 的机会窗口。它的客户不是想要最强聊天机器人的个人用户，而是那些被合规、数据主权、供应链风险三条绳子同时捆住的机构。对这类客户，权重可下载本身就是一项功能。

需要冷静看待的地方

第一，「万亿参数」和「前沿性能」之间没有必然等号。模型能力要看具体评测与真实任务表现，Mistral 引用的 Coding Agent Index 排名由第三方机构维护，评测集的构成会显著影响结论。

第二，权重开源不等于可落地。万亿参数模型的推理需要相当规模的加速卡集群，中小机构即使拿到权重也跑不动；真正的部署门槛是算力、显存带宽和运维能力，而不是下载链接。

第三，安全模型的效果高度依赖上下文。把模型放进内网，它能看到的日志、代码、资产清单越多，判断越准；但权限给到什么程度、如何避免模型自己成为新的攻击面，这些工程问题没有随权重一起开源。

尽管如此，方向是清楚的：前沿能力正在从「租用」变成「拥有」。对做基础设施的人来说，这意味着下一轮竞争的焦点，会从模型排行榜转向部署成本、审计能力和责任边界。