程式碼代理效能提升與 Token 效率優化

Mistral Large 4 在經過三週的額外強化學習後，於開放權重模型的程式碼基準測試中取得領先地位。在 Cognition 私有的 FrontierCode 2.0 基準測試中，該模型得分為 19.7%，高於 GLM-5.3、Kimi K3 等其他競爭對手。此測試評估端到端代碼質量以及維護者是否會合併代理提出的變更。

在 Artificial Analysis Coding Agent Index 上，Mistral Large 4 得分為 48%，與領先的開放權重模型 GLM-5.3 相當，但平均每項任務使用的 Token 數量減少 47%。這意味著開發者可以在維持高品質程式碼生成的同時，顯著降低執行大型程式碼代理的成本。

在終端機基礎的編程工作流測試 Terminal-Bench 4.0 中，模型得分從預覽版的 28% 提升至 41%，領先其他開放權重模型，並將輸出 Token 數量減少 30%。此外，在 Surge Code 的人類偏好盲測中，Mistral Large 4 勝過 GLM-5.3、Kimi K3 和 DeepSeek V4.1 Flash，僅次於 Claude Opus 5.5。

防禦性資安能力與安全防護機制

Mistral Large 4 在 Artificial Analysis Cyber Index 上得分為 51%，該指標衡量模型發現、重現並修補程式碼庫中漏洞的能力。與許多封閉源前沿模型不同，Mistral Large 4 能夠處理合法的防禦性資安任務而不產生不必要的拒絕回應，這對於需要實際修復漏洞的場景至關重要。

模型內建的安全護欄能夠區分防禦性與攻擊性的資安任務。在 JailbreakBench、StrongREJECT 和 AgentHarm 等測試中，Mistral Large 4 對惡意網路請求的平均拒絕率高達 96.6%，為開放權重模型中最高。這確保了模型在處理潛在威脅時的安全性，同時保持對防禦性工作的可用性。

多家資安領導廠商如 Booz Allen、Cisco、Cloudflare 和 CrowdStrike 表示，開放權重模型允許企業和政府在其自有基礎設施上託管與客製化 AI，從而獲得更高的透明度與控制權。這種主權 AI 特性對於需要嚴格資料駐留要求或關鍵基礎設施保護的組織尤為重要。

推理模式選擇與企業應用場景

為了讓開發者更好地控制效能與成本之間的權衡，Mistral Large 4 提供三種推理模式：Low（適用於簡單任務）、Medium（適用於日常任務）以及 High（預設值，適用於需要高精度和徹底推理的最難用例）。這種設計允許根據具體工作負載調整資源消耗。

在企業應用方面，模型在金融相關工作流中的表現有所提升，Finch 分數升至 73.3%，僅次於 Kimi K3。此外，在網頁瀏覽任務 BrowseComp 上得分為 84.5%，高於 GLM-5.3 和 DeepSeek Flash 4.1 等模型。

針對代理部署的安全性，Mistral Large 4 在 B3 Agent Security Benchmark 中抵禦了 97.1% 的攻擊，較預覽版的 93.3% 有所提升。這意味著託管該模型的組織可以在無需額外調整的情況下運行安全的代理，減少系統提示洩露或惡意程式碼注入等風險。

授權條款、定價與技術規格

Mistral Large 4 採用 Mistral Ecosystem Open-Weight License，這是一種基於 MIT 的修改版授權。該模型允許免費使用、修改、微調和商業化，但有一個關鍵條件：經營 Model-as-a-Service（MaaS）業務的企業必須先與 Mistral 簽訂單獨的商業授權協議才能進行商業用途。

API 定價已大幅調整為輸入每百萬 Token 0.70 美元、快取輸入 0.07 美元、輸出 2.10 美元。相較於預覽版期間輸入 1.36 美元、輸出 4.18 美元的價格，新定價幾乎減半，使得該模型在成本效益上更具競爭力。

技術規格方面，Mistral Large 4 是一個擁有約 1 兆總參數、490 億活躍參數的混合專家（MoE）多模態模型，支援文字與圖像輸入，上下文視窗達 100 萬 Token。模型以 FP8 和 NVFP4 兩種官方變體發布，並提供 GGUF 格式供 llama.cpp 使用。開發者可透過 Hugging Face 下載權重，並使用 vLLM、SGLang 或 NVIDIA NIM 容器進行部署。