法国 Mistral AI 发布 Large 4 模型（ML4），具备先进编程和网络防御能力，企业可下载开放权重版本并部署在自有基础设施上运行。该模型总参数量 1.05 万亿，每次执行任务实际激活约 520 亿参数，在欧洲数据中心使用 3800 颗英伟达 Grace Blackwell GPU 训练。Mistral 称其在编程任务上可与其他领先开放模型相媲美，并强调开源有助于避免前沿 AI 技术集中在少数参与者手中。
匹配字段摘要、正文
Mistral AI 发布新旗舰前沿模型 Mistral Large 4，代号 Le Chonk，结束公开预览后开放下载。该模型支持文本和图像处理，重点强化防御性网络安全、智能体能力以及地理空间与 grounding 能力，据称在 SWE-bench 和 Terminal Bench 等智能体基准上达到 state-of-the-art。模型训练覆盖 160 多种语言，可通过 Mistral Studio、Mistral API、OpenRouter、Hugging Face 开放权重、Vibe Code 及 Nvidia 托管端点使用。
匹配字段摘要、正文
Mistral AI 发布新版 Le Chonk 的模型权重，称其在 Cognition 的 FrontierCode 上位列开放模型第一，并在 Artificial Analysis 的 Pareto 效率上创下新基准。该模型在网络安全防御方面被描述为达到 SOTA，并经过 CrowdStrike、Cloudflare、Rubrik、Zscaler 等厂商测试。权重已在 Hugging Face 开放下载，可用 Mistral Forge 定制并自行部署。
匹配字段摘要
Mistral AI 更新并开放旗舰模型 Mistral Large 4 的权重，总参数 1.05T、激活参数 52B，在 Artificial Analysis Intelligence Index v5 上得分 26，比 Preview 版高 1 分，以 1 分优势领先美国开源模型 Muse Spark Open（25）。该模型每项任务输出 82K token，比 Preview 的 135K 少 39%，AA-Omniscience v1.1 幻觉率从 41% 降至 28%，但准确率仍为 26%。定价为每 1M 输入/输出 token 0.70/2.10 美元，较 Preview 下降约 50%，采用 MEOW 许可证，运营 Model-as-a-Service 业务需另行获得商业授权。
匹配字段摘要
Mistral AI 宣布开放其前沿模型 Mistral Large 4（代号 Le Chonk）的权重，该模型拥有 1 万亿参数、520 亿激活参数，原生支持多模态。ML4 在欧洲数据中心用 3800 块 Nvidia Grace Blackwell GPU 训练，在 Terminal-Bench 4.0 上从 28% 提升到 41%，与 GLM-5.3 并列编码智能体最佳成绩，且平均每任务少用 47% token。开放权重意味着企业可在自有硬件和防火墙内部署，模型提供低、中、高三档推理模式。
匹配字段摘要、正文
Mistral AI 于 10 月 29 日在 Hugging Face 发布 Mistral Large 4（代号 Le Chonk）的开放权重，该模型总参数 1000 亿级规模中的 1000 亿参数、每 token 实际调用约 49 亿参数，采用 MoE 架构，128 个专家中每次激活 4 个加 1 个共享专家。相比 10 月 6 日预览版，Mistral 称三周内继续强化学习，Terminal-Bench 4.0 得分从 28% 升至 41%，Artificial Analysis 代码指数为 48%，与 GLM-5.3 持平且每任务平均少用 47% token。API 价格降为输入每百万 token 0.70 美元、输出 2.10 美元；新许可证 Mistral Ecosystem Open-Weight License 允许商业使用，但转售模型服务需另签协议，完整版需 8 张 Nvidia B200 或 B300。
匹配字段摘要、正文
Mistral AI 在为期三周的预览后，将 Mistral Large 4 的权重发布到 Hugging Face。该多模态模型在 3800 块 Nvidia 加速器上训练，参数量达一万亿，目前仍难以在游戏 PC 或单卡上运行。Mistral 称其在网络安全基准 CyberGym-E2E 上领先 GLM-5.3 和 Kimi K3，在智能体编码基准 Terminal Bench 4.0 上与 GLM-5.3 持平，但尚无独立评测；预览版定价为每百万输入 token 1.4 美元、每百万输出 token 4.2 美元。
匹配字段摘要、正文
Nvidia 发布 Nemotron 3.5 Super VL，这是一个 1200 亿参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。该模型采用 MoE 架构，每个 token 仅激活 120 亿参数，由 Nvidia 与包含 Mistral AI、Thinking Machines Lab、Perplexity 和 Black Forest Labs 的 Nemotron Coalition 共同开发。同时推出两款面向本地硬件的模型：Nemotron 3.5 Bolt 74B-A9B 24GB 可在本地机器运行智能体任务，更小的 Bolt E4B 4GB 面向语音助手，将于本月晚些时候发布。Nvidia 称 Super VL 从 Nemotron 3 Ultra 蒸馏而来，在智能体指令遵循、工具调用、多步业务流程和图像分析任务上以约五分之一参数达到 Ultra 的准确率，在 Hermes 和 LangChain 的智能体测试中得分高于 Ultra，并在 SWE-bench 和 Terminal-Bench 上超过前代 Nemotron 3 Super。权重以 base、post-trained 和 4-bit 压缩三个版本发布，同时公开数据集、训练配方和强化学习环境，预训练与持续预训练使用超过 25 万亿 token。
Nvidia 发布 Nemotron 3.5 Super VL，这是一个 1200 亿参数的开源多模态模型，面向持续在后台运行的企业智能体，处理文本、图像、文档和视频。该模型采用 MoE 架构，每个 token 仅激活 120 亿参数，由 Nvidia 与包含 Mistral AI、Thinking Machines Lab、Perplexity 和 Black Forest Labs 的 Nemotron Coalition 共同开发。同时推出两款面向本地硬件的模型：Nemotron 3.5 Bolt 74B-A9B 24GB 可在本地机器运行智能体任务，更小的 Bolt E4B 4GB 面向语音助手，将于本月晚些时候发布。Nvidia 称 Super VL 从 Nemotron 3 Ultra 蒸馏而来，在智能体指令遵循、工具调用、多步业务流程和图像分析任务上以约五分之一参数达到 Ultra 的准确率，在 Hermes 和 LangChain 的智能体测试中得分高于 Ultra，并在 SWE-bench 和 Terminal-Bench 上超过前代 Nemotron 3 Super
匹配字段摘要、正文
Mistral Large 4 进入 Code Arena WebDev 榜单，以 1534 分位列第 45 名，比第 130 名的 Mistral Large 3 提升 304 分，也比第 122 名的 Mistral Medium 3.5 高 271 分。其表现与 Claude Opus 4.8 (High) 相差仅 2 分，混合价格约为后者的六分之一，为 $3.47/M 对 $20/M tokens，但仍略低于 WebDev 帕累托前沿。Mistral AI 表示开放权重将于 10 月底发布。
匹配字段摘要
法国 AI 实验室 Mistral AI 于周二发布 Mistral Large 4（ML4），这是一个 1 万亿参数的大规模多模态模型，昵称 Le Chonk，目前仅通过公开的 guardrail 端点访问，计划在安全测试完成后于三周内开放权重。Mistral 科学副总裁 Pierre Stock 表示，ML4 完全使用 Mistral 自有算力训练，仅动用 4000 张 Nvidia GPU，比中国竞争对手少两到三倍，也显著少于闭源竞争对手；其优化场景包括网络安全、金融和芯片设计，基准测试结果尚未公布。
匹配字段摘要、正文
Mistral AI 的 Mistral Large 4 已进入 Arena，可在 Agent Arena 中实测，用户投票将影响其评估结果，分数稍后公布。Agent Arena 用数百万个真实长周期智能体任务评测模型，模型可调用网页搜索、文件系统和终端工具完成复杂工作流，排行榜以因果追踪方法衡量模型相对平均模型的结果表现。Mistral Large 4 同时上线 Code Arena 的 WebDev、Text 和 Vision 三个方向。
匹配字段摘要
Mistral AI 发布 Robostral Navigate，这是其首个面向具身导航的 8B 模型，仅用单个普通 RGB 相机和自然语言指令即可让机器人自主导航，在 R2R-CE validation unseen 上达到 76.6% 成功率，比最佳单相机方案高 9.7 个百分点，比使用深度或多相机的最佳系统高 4.5 个百分点。模型完全自研、不依赖现有开源 VLM，训练数据全部来自仿真，约 240 万条轨迹覆盖 35 万个场景，并采用基于 prefix-caching 的训练算法将训练 token 减少 22 倍。在监督训练后，模型通过 CISPO 在线强化学习进一步提升，成功率提高 3.2%。
匹配字段摘要
Mistral AI 发布 Leanstral，这是首个面向 Lean 4 的开源代码智能体，采用 6B 激活参数的稀疏架构，权重以 Apache 2.0 许可开放，并接入 Mistral Vibe 与免费 API 端点 labs-leanstral-2603。在 FLT 项目 PR 的 FLTEval 评测中，Leanstral pass@2 得分 26.3，超过 Sonnet 2.6 分而成本为 36 美元，pass@16 达到 31.9；Claude Opus 4.6 质量仍领先但成本为 1650 美元。该模型支持通过 vibe 调用任意 MCP，并针对 lean-lsp-mcp 做了专门训练，官方还将发布技术报告和 FLTEval 评测套件。
匹配字段摘要
Mistral AI 发布 面向Lean 4形式化证明的开源代码智能体Leanstral
English translation is being prepared.
匹配字段标题
Mistral AI 与 All Hands AI 推出 Devstral Small 1.1 和 Devstral Medium，二者在 SWE-Bench Verified 上分别获得 53.6% 和 61.6%。Small 1.1 采用 Apache 2.0 许可证；Medium 通过 API 提供，并支持私有部署和定制微调。API 输入/输出价格分别为 $0.1/$0.3 和 $0.4/$2 每百万 Token。
Mistral AI 与 All Hands AI 推出 Devstral Small 1.1 和 Devstral Medium，二者在 SWE-Bench Verified 上分别获得 53.6% 和 61.6%。Small 1.1 采用 Apache 2.0 许可证；Medium 通过 API 提供，并支持私有部署和定制微调。API 输入/输出价格分别为 $0.1/$0.3 和 $0.4/$2 每百万 Token。 · Mistral AI and All Hands AI introduced Devstral Small 1.1 and Devstral Medium, scoring 53.6% and 61.6% on SWE-Bench Verified, respectively. Small 1.1 is released under the Apache 2.0 license, while Medium is available through the API and supports private deployment and custom fine-tun
匹配字段摘要、正文
Mistral AI 的 Mistral OCR 可解析图像和 PDF 中的文本、图片、表格及公式，但该模型现已停止维护，并由更强的新款 OCR 模型取代。其 API 曾以 mistral-ocr-latest 提供，价格为每美元 1000 页，单节点处理速度最高可达每分钟 2000 页，并支持结构化输出及选择性自托管。
Mistral AI 的 Mistral OCR 可解析图像和 PDF 中的文本、图片、表格及公式，但该模型现已停止维护，并由更强的新款 OCR 模型取代。其 API 曾以 mistral-ocr-latest 提供，价格为每美元 1000 页，单节点处理速度最高可达每分钟 2000 页，并支持结构化输出及选择性自托管。 · Mistral AI’s Mistral OCR parses text, images, tables, and equations from images and PDFs, but the model is now deprecated and has been replaced by newer, more powerful OCR models. Its API was offered as mistral-ocr-latest at 1,000 pages per dollar, with processing speeds of up to 2,000 pages per minute on a single node, structured out
匹配字段摘要
Mistral AI 发布了时间序列基础模型系列 Timestral。据 MarkTechPost 报道,该系列包含 5M、28M、123M、209M 四个零样本预测模型,支持最长 32,768 个时间步的上下文。据 Mistral 自测,209M 版本在 GIFT-Eval、TIME 和 fev-bench 上位列零样本预训练模型第一,fev-bench SQL skill 得分为 50.39,高于 TimesFM-3 的 48.99。报道称模型无需 GPU,在 8 线程服务器 CPU 上 209M 版本单次预测耗时 140 ms;权重以 Modified MIT 许可开放,可通过 pip 安装并部署在本地、VPC 或隔离环境。目前尚无后续发展事实。
匹配字段标题
Mistral AI 发布 时间序列基础模型Timestral
English translation is being prepared.
匹配字段标题
2026年3月17日,Mistral AI发布Mistral Small 4,这是Mistral Small系列的下一个主要版本,也是Mistral首个把Magistral的推理、Pixtral的多模态和Devstral的智能体编码能力统一到单一模型中的版本,采用Apache 2.0许可。该模型为MoE架构,128个专家、每token激活4个,总参数119B、每token激活6B(含嵌入和输出层为8B),上下文窗口256k,支持文本与图像输入,并可通过reasoning_effort参数在快速响应与深度推理之间切换。官方称相比Mistral Small 3,端到端完成时间减少40%,每秒请求数提升3倍;推理模式下在三项基准上匹配或超过GPT-OSS 120B,且输出更短。目前尚无后续发展事实。
匹配字段标题
2026年3月17日,Mistral AI发布Leanstral,这是首个面向Lean 4形式化证明的开源代码智能体。据官方信息,该模型采用6B激活参数的稀疏架构,权重以Apache 2.0许可开放,并接入Mistral Vibe与免费API端点labs-leanstral-2603。在FLT项目PR的FLTEval评测中,Leanstral pass@2得分26.3,超过Sonnet 2.6分而成本为36美元,pass@16达到31.9;Claude Opus 4.6质量仍领先但成本为1650美元。该模型支持通过vibe调用任意MCP,并针对lean-lsp-mcp做了专门训练,官方还将发布技术报告和FLTEval评测套件。目前尚无后续发展事实。
匹配字段标题