Mistral AI 的旗艦模型 Mistral Large 4（代號 Le Chonk）這幾天把權重放上 Hugging Face，等於任何人都能下載這個約 1 兆參數的模型。聽起來很誘人，但真的能在家裡跑嗎？授權能拿去賺錢嗎？台灣一般用戶又該怎麼用？
先說明一件事：本文為官方資料整理，尚未實測。阿正老師根據 Mistral 官方公告、Hugging Face 模型卡與第三方報導整理，跑分全部是廠商或第三方公布的數字，不是阿正老師自己測的。
這個模型的預覽版在 10 月初就先釋出過，這次的重點是「權重正式開放」加上授權條款。想先理解本地跑模型的選擇，也可以先看阿正老師整理的 Ollama、LM Studio、Jan 比較。
一、Mistral Large 4 基本資料
下表整理阿正老師從官方公告與模型卡查到的資訊，官方沒寫清楚的地方標「待確認」。
| 官方公告 | https://mistral.ai/news/mistral-large-4-oss/ |
| 權重位置 | Hugging Face：mistralai/Mistral-Large-4-1T-A52B |
| 模型規模 | 總參數約 1 兆；每個 token 啟用的參數，模型卡內文寫 49B，介紹段寫含嵌入層與輸出層為 52B |
| 架構 | 混合專家（MoE），128 個路由專家、每個 token 啟用 4 個，另有 1 個共用專家；支援文字與圖片輸入 |
| 上下文長度 | 模型卡寫 1M tokens（官方公告頁未提） |
| 授權 | Mistral Ecosystem Open-Weight License（官方稱為修改版 MIT） |
| API 價格（每百萬 token） | 輸入 0.70 美元、快取輸入 0.07 美元、輸出 2.10 美元（官方公告頁） |
| 發布日期 | 官方公告頁未標日期，媒體報導為 2026-10-29；以官方為準時標「待確認」 |
| 繁體中文 | 官方稱原生支援 160 種以上語言，未特別列出繁體中文；模型卡頁首卻寫 39 種語言，兩者不一致，繁中表現待實測 |
二、這次開放了什麼
官方公告的重點是：模型本體的權重釋出，可以自由使用、修改、微調與商用，只有一個附帶條件（見下一節）。模型卡同時列出幾種取得方式：
- 完整權重：搭配 vLLM、SGLang 等推論框架部署。
- NVFP4 量化版：給 NVIDIA Blackwell 顯卡用的較小檢查點，模型卡說效能與完整版相同（廠商說法）。
- GGUF：模型卡寫有供 llama.cpp 使用的版本，另有 Unsloth 的 GGUF，實際檔案大小待確認。
- 推理強度：low、medium、high 三檔，預設為 high；官方公告頁說 low 取代了先前的 None 模式。
三、授權怎麼看：誰能用、誰要另外談
以上依 Hugging Face 模型卡的說法：可以免費使用、修改、微調與商業化，但經營「模型即服務」（Model-as-a-Service）的企業，要先向 Mistral 取得另外的商業授權。至於「公司內部使用算不算」「包進自家產品算不算」「關係企業怎麼計」這類細節，模型卡沒有逐項說明，本文不下判斷。
四、硬體門檻：家用電腦跑得動嗎
模型卡的部署範例（vLLM、SGLang、Transformers）都用 8 張 GPU 做張量並行。注意 8 張只是官方範例的設定（SGLang 範例註明依你的環境調整），不是官方公布的最低需求。權重容量與量化版需要幾張 GPU，官方未逐項列出，本文不引用第三方估算，實際需求待確認。
| 環境 | 官方模型卡有沒有範例 | 阿正老師的判斷 |
|---|---|---|
| 8 張資料中心 GPU（vLLM／SGLang） | 有 | 官方範例的設定，非最低需求；屬企業或研究機構規模 |
| 家用桌機（例如 RTX 5070 12GB） | 沒有 | 官方部署範例用 8 張資料中心 GPU，模型規模約 1 兆參數，12GB 顯存差距太大，不建議嘗試 |
| Mac mini（16GB、24GB） | 沒有 | 統一記憶體同樣差距太大，不建議嘗試 |
五、一般人怎麼用：API 與雲端平台
官方公告頁列出的使用管道有：Mistral Studio、Mistral API、OpenRouter、NVIDIA 託管端點，以及 Microsoft Foundry。是否每個管道在台灣都能直接註冊付費，阿正老師沒有逐一確認，請以各平台為準。
| 輸入 | 0.70 美元／百萬 token |
| 快取輸入 | 0.07 美元／百萬 token |
| 輸出 | 2.10 美元／百萬 token |
| 免費額度 | 官方公告頁未列 API 免費額度；Hugging Face 模型卡寫明，官方 demo 在發布首週提供每位訪客小額共享免費額度（僅限 demo，不等於 API 免費方案） |
| 台灣可用性 | 待確認，請以各平台註冊頁為準 |
六、跑分怎麼看
以下數字全部來自官方公告頁，屬廠商公布或廠商引用的第三方評測，不是阿正老師的實測：
- Cognition FrontierCode 2.0（私有評測）：19.7%。
- Artificial Analysis Coding Agent Index：48%，官方稱與 GLM-5.3 差不多，且每個任務少用約 47% 的 token。
- Terminal-Bench 4.0：41%，比預覽版高 13 個百分點。
- BrowseComp：84.5%；FinWorkBench：73.3%。
- B3 Agent Security Benchmark 攻擊抵抗率：97.1%，預覽版為 93.3%。
- Surge Code 盲測人類偏好：官方說名列 Claude Opus 5.5 之後。
七、阿正老師的總結
想用最新開放權重模型、預算有限
→ → 先用 Mistral API 或 OpenRouter 的按量計費試用，不必買硬體。
公司內部要自架大模型
→ → 8 張資料中心級 GPU 是官方範例的規模（非最低需求），先確認授權屬於「自己用」範圍，再評估成本。
想在家用電腦跑本地 AI
→ → 不建議選 Mistral Large 4，請改選小很多的模型，工具可參考站內的 Ollama、LM Studio、Jan 比較。
Mistral Large 4 值不值得追？
對大多數台灣一般用戶來說，這次的新聞重點在「歐洲也有可商用的 1 兆參數開放權重」，而不是自己下載來跑。授權與規格仍有幾處官方說法不一致，阿正老師會在官方更新後補正。若你已經在用 Mistral 的 API，歡迎分享中文表現的使用心得。
歡迎在下面留言跟阿正老師分享！
建議短網址（Slug）：mistral-large-4-open-weights-release-guide
