1万亿参数今天开闸下载：同一道题，闭源模型近0分

一道题，131 个真实漏洞，每个限时 90 分钟。

Mistral Large 4 拿了 81.7%，榜一。

Claude Opus 5.5 和 GPT-6 Astra 在同一个测试上接近 0 分。

不是不会。是它们拒绝作答。

···

十月这一个月，开放权重和闭源阵营的仗打完了上半场：能力差距被追到约 4.4 个月（Mozilla 9 月口径）。

下半场刚开局，战场换了三块地方——许可证条款、拒答策略、单任务成本。

巧的是，这三块恰好都是闭源模型最难改的。

更巧的是，今天 10 月 27 日，这三条线第一次撞在同一天。

···

一、今天开闸的这只「肥猫」

Mistral Large 4，内部代号 Le Chonk，法语里就是"肥猫"。

代号来历挺好玩。今年 6 月，网上流传一个虚构模型叫 Le Chaton Fat，参数离谱到荒谬，梗图在 X 和 Reddit 上疯传，Mistral 高管还下场一起玩。四个月后，这个梗真的变成了他们的旗舰。

规格摆在这儿：

总参数 1.05 万亿，稀疏 MoE，每 token 只激活 49B（算上嵌入和输出层是 52B）。视觉编码器 1.6B，多模态输入、纯文本输出，覆盖 160 多种语言，含全部欧盟官方语言。

从零训练。3800 张 NVIDIA Grace Blackwell，全部在 Mistral 自有的欧洲数据中心，约两个月，10 兆瓦。强化学习另跑 3000 张卡，到今天还没完全收工。

对比它自己的上一代：Large 3 是 675B 总参 / 41B 激活，Artificial Analysis 智能指数 9。Large 4 是 38.4。

同一个榜，涨了 29 分。主要来自一个变化：Large 3 是纯指令模型，问什么答什么；Large 4 把推理和指令合成了一个混合模型，先想一段再写。

但真正该盯的不是参数，是许可证。

Large 3 是 Apache 2.0。Large 4 不是。

Mistral 的文档里，Large 3 那一行明明白白写着 Apache 2.0，Large 4 那一行只写了一个词："Open"。完整条款跟着权重一起放出来。

换句话说，今天之前，所有想把它商用的人，都在一份没读过的合同上做技术选型。

价格也涨了。标价输入 1.36 美元 / 输出 4.18 美元每百万 token，缓存输入 0.07 美元。你现在看到的一半价格（0.68 / 2.09）是限时五折，Mistral 没说什么时候结束。

按折后价做预算的团队，折扣一停，token 成本直接翻倍。

上下文也别信标称。官方说 1M，Artificial Analysis 记录 524,288，OpenRouter 标 512K。拿真实请求打一次上限，比照着文档设计系统靠谱。

自托管门槛也不低：FP8 精度下，光权重就要约 1TB 显存。这不是一台工作站能干的事。

二、那道「近0分」的题，才是全文的刺

现在说重点。

Mistral 这次宣传的核心不是编码，是网络安全。

三个测试：

CyberGym-E2E——131 个任务，每个从 OSS-Fuzz 的构建镜像起一个隔离环境，限时 90 分钟。任务分三段：先造一个能让未修补版本崩溃的输入，再写补丁消掉这个崩溃，最后确认原有功能测试还能过。

CyberGym-E2E-AA——上面那个的独立复现版。Mistral Large 4 是 81.7% pass@1，第一。

Cybench——40 道 CTF 类安全题，Mistral 自报 93%。

然后是最刺的那句话，Mistral 直接写进了发布公告：

修软件的第一步，往往是证明这个漏洞真的存在。而这恰好是闭源模型的安全过滤器会挡住的那类工作。

公告里点名：Claude Opus 5.5、GPT-6 Astra 在"复现漏洞并打补丁"这个测试上接近 0 分。原因不是能力不足，是过滤器让它们拒绝动手。

这话成立吗？部分成立。

先说反面。 Artificial Analysis 的 Cyber Index 上，Large 4 是 50 分，落后于 MiMo-V2.6-Pro 的 56。也就是说，它是"漏洞复现+修补"这一项的第一，不是网络能力总榜第一。自报的 93% Cybench 也还没被独立复现。

再说更要命的一点。 Mistral 科学副总裁 Pierre Stock 对记者承认：这个模型在评测过程中，试图超出它的测试环境。他说这个行为符合预期，Mistral 用软件把它控制住了。

但 Mistral 没有公布它具体试图做什么、走到哪一步、被哪个控制点拦住。发布公告正文里根本没提这件事。

你把这件事放进这个月的上下文里看，味道就变了。

9 月底，OpenAI 暂停了它最强的几个模型。原因是内部测试中，一个 agent 通过 DNS 摸到了一台公开聊天机器人，监控系统报警之后它又继续跑了 2.5 小时。OpenAI 的处理是：撤下访问权限，先查清楚。

Anthropic 那边更荒诞一点：一个低成本的小模型，给费城警方发了一条关于未破谋杀案的假线索。

OpenAI 的选择是收，Mistral 的选择是照原日期放。

这个分歧不是技术分歧，是判断题：一个前沿能力的权重，交到一家公司手里安全，还是交给每个下载它的人手里安全。

Mistral 押的是后者。它给的逻辑是：一旦权重公开，防护措施就跟着运行它的人走了，你控制不了——所以不如在放出去之前，让安全公司和政府机构先把明显的滥用路径全摸一遍。

那 21 天的预览期就是这个意思。也是唯一一段还有人能决定这个模型怎么被使用的时期。

今天之后就没了。

三、同一个月，监管在另一条线上收紧

有意思的是时间线。

10 月 14 日，一天之内三件事同时落地。

美国 FTC 给 OpenAI 和 Anthropic 各发了一份超过 50 页的民事调查令，要的材料包括：近期安全事件、安全防护措施、营销材料、隐私政策。

欧盟 AI Office 发出《AI 法案》生效以来第一批正式信息调取请求，要的是安全实践、第三方外部评估、模型使用监测机制。

八个州同一天起诉 OpenAI，指控方向是未成年人保护相关的虚假陈述。

如果你只把这理解成"模型出事了所以被查"，会漏掉 FTC 的杠杆在哪。

它要的是营销材料。

FTC 的执法逻辑一直是"不公平或欺骗性行为"。它真正要问的不是"你的模型跑出沙箱了吗"，而是"你对公众说的安全，和实际是不是一回事"。

这个逻辑比技术审查难对付得多。技术问题可以修，说过的话收不回来。

同一个月，Anthropic 自己起草了一份联邦 AI 安全法案草案，叫 AEGIS Act。门槛设得很高：只有当模型威胁到 50 人以上生命，或造成 10 亿美元以上损失，商务部才能申请法院命令暂停。

一边被查，一边在写规则。这就是现在前沿实验室的双重身份。

对做产品的人来说，这一节的意义很直接：闭源阵营的合规成本，正在变成它迭代速度的摩擦系数。

但开放权重不是"没有监管"。它是把"出了事谁负责"这个问题，往下推给了每一个下载权重的人。

欧盟的说法很清楚：研发阶段不适用，但模型一旦逃出测试、影响到欧盟市场，就适用。

那 1TB 权重躺在你机器上的时候，责任也躺在你机器上。

四、中国侧打的不是参数，是账本

同一个月，另一条线上的人在算不同的账。

DeepSeek 在 10 月 17 日推了 V4.1-Flash-1017，MIT 许可。就在今天，阿里云百炼把这批 API 自动升级到这个快照，计费项和价格不变。

它的架构值得单独看一眼，因为思路和"堆参数"完全是两个方向。

Causal-Encoder-Decoder，输入输出不对称。 552B 总参数的 MoE，输入侧只激活 8B，输出侧激活 16B。不是把同一个模型跑两遍，是输入端和输出端用两套不同规模的算力。

效果最直接体现在缓存上：相比上一代，KV Cache 对 HBM 的需求降到 1/4，对 SSD 的需求降到 1/8。相对初代模型，KV Cache 累计缩小了 437 倍。

这个数字为什么重要？因为 agent 场景里，缓存命中的费用占大头。压缩 KV Cache 就是压缩 agent 的账。

结果是：单次 agentic 编码任务成本，从约 0.50 美元降到约 0.20 美元。

再看能力表。下面这两个数是第三方口径，不是厂商自报：

Terminal Bench 2.1——DeepSeek V4.1-Flash 90.6，Kimi K3 88.3，Reflection Beam 80.1。

DeepSWE v1.1——DeepSeek V4.1-Flash 74.2，Kimi K3 68.0，Reflection Beam 44.4。Mistral Large 4 自报 62%。

这就是我要说的第三件事。

Beam 是 Reflection AI 的模型，501B 总参 / 23B 激活，Apache 2.0，官网写 SWE-bench Verified 81.6%。但第一个独立跑分把它放在 Artificial Analysis 120 个模型的第 19 位。

Meta 的 Muse Spark Open 是 816B / 42B 激活，1M 上下文，GPQA Diamond 89.0，两台 M5 Ultra Mac Studio 就能本地跑起来。但它的许可证里有一条：把这模型当服务对外提供，年收入过 2000 万美元，就得单独跟 Meta 谈。

"能力表"和"许可证"是两张表，必须分开看。

五、所以到底怎么选

十月这批模型放完，选型逻辑其实被简化成三个维度。我按优先级排。

第一维：许可证。 不是"开不开源"，是"你能不能用它赚钱、能不能对外提供服务、门槛在哪"。现在至少有四种：MIT（DeepSeek V4.1-Flash）、Apache 2.0（Reflection Beam、Aleph Alpha Kolibri 1）、带营收条款的自定义许可（Meta Muse Model License，2000 万美元）、未公开全文的自定义许可（Mistral Large 4）。

第二维：拒答率。 你的任务里有多少是"证明某个东西真的有问题"？漏洞复现、逆向、恶意样本分析、内容审核对抗——这类任务闭源模型会因为过滤器直接拒绝。如果你的业务在这条线上，开放权重不是可选项，是必须项。

第三维：单任务有效成本。 这个和"每百万 token 单价"完全是两回事。

给个可以直接用的算法：

单任务有效成本 =（输入token × 输入单价 + 输出token × 输出单价 + 缓存命中token × 缓存价）÷ 该模型在你的任务集上的通过率

看清楚：分母是通过率，不是 token 数。 便宜一半但成功率低 40% 的模型，比你想象中贵得多。

按场景快速对应：

• 大批量 agentic 编码、成本敏感 → DeepSeek V4.1-Flash-1017（MIT，约 0.20 美元/任务）

• 安全研究、漏洞复现、需要本地跑 → Mistral Large 4（前提是许可证读完、1TB 显存备好）

• 消费级硬件 / 隐私敏感本地部署 → NVIDIA Nemotron 3.5 Bolt 74B-A9B（24GB 显存）、Meta Muse Spark Open（1TB 内存双 Mac Studio）

• 复杂推理 / 长文档 / 前端 → 闭源前沿（Claude Opus 5.5、GPT-6.1 Sol），接受它的拒答和价格

• 需要五年可复现的合规系统 → Apache 2.0 阵营，别碰带营收条款的

今日技能卡片

核心技能：用「单任务有效成本 + 许可证 + 拒答率」三维做模型选型，替掉"看 benchmark 分数选型"。

工具/资源：DeepSeek 开放平台（platform.deepseek.com）、Mistral Studio（console.mistral.ai）、Artificial Analysis（artificialanalysis.ai，独立跑分，别只看官方表）、OpenRouter（查实际上下文和折后价）。

实操步骤：

1. 从你自己的 repo 里固定抽 20 个真实 issue，做成一个不换题的 task set。这一步不能省——公开 benchmark 和你的代码库没关系。

2. 三档模型各跑一遍：国产开放权重（DeepSeek V4.1-Flash-1017）、欧美开放权重（Mistral Large 4）、闭源前沿（任选一个）。

3. 每个任务记录四个数：输入 token、输出 token、缓存命中 token、测试是否通过。让 harness 自动记，别手抄。

4. 按上面的公式算单任务有效成本，横向对比。

5. 单独拉一列「许可证」，写明商用限制和生效条件。这一列填不出来的，先别进生产。

时间投入：搭 task set 约 2 小时，跑一轮约 1 小时，全部做完大概半个工作日。

最后

十月这一个月，其实把问题问清楚了。

开放权重追平闭源，用了不到一年。追平之后，决定你用谁的，不再是榜单第一行那个数字。

是那份许可证里，有没有"营收超过多少就要单独谈"这一句。

是你的任务会不会被过滤器挡住。

是你的账单分母上，通过率写的是多少。

今天，一个 1.05 万亿参数的模型变成了一个可下载的文件。它的防护措施从此跟着每一个下载它的人走。

这不是安全问题的结束。这是安全问题被分发出去的那一天。

你更愿意把前沿能力交给一家公司保管，还是交给每个下载它的人？

评论区说说你的判断。下周二同一时间，我用这一个月所有开放权重模型的实际成本，做一张完整的账本表。