Mistral Large 4开放权重实测：1万亿参数的Le Chonk用47%更少Token追平GLM-5.3，Python开发者怎么接

11月3日，Mistral AI正式放出Mistral Large 4的完整权重，昵称”Le Chonk”。这是一个1万亿参数的原生多模态混合专家模型，每个Token激活490亿参数。权重已经挂上Hugging Face，采用修改版MIT协议。开源编程模型赛道，又多了一个重量级选手。

Token效率成了新战场

这次发布最有意思的数据不在跑分，而在Token消耗。

在Artificial Analysis的Coding Agent Index上，Le Chonk拿到48%，和智谱GLM-5.3基本打平。问题在于成本：Mistral称它完成同样的任务，平均只用47%的Token。跑Agent的人都知道这笔账有多重。一个编程智能体跑一个任务，动辄几十轮工具调用，输出Token就是钱。模型能力相近的前提下，Token省一半，账单直接砍半。

Terminal-Bench 4.0的成绩是41%，比三周前的preview版提升13个百分点，同时输出Token减少30%。FrontierCode 2.0拿到19.7%，这是Cognition出的私有基准，按人类审阅者的标准给代码打分，闭源旗舰模型也远远到不了100%，这个分数已经是开源模型的最高水平。

三周的高强度强化学习，换来的是开源编程模型榜的登顶。

价格和部署：门槛在显卡

官方API定价为每百万输入Token 0.70美元、输出2.10美元，缓存输入只要0.07美元。Artificial Analysis按牌价算，单个基准任务成本约1.13美元。

自部署就没那么轻松了。1万亿参数的MoE，就算只激活490亿，全量权重也不是单机游戏。Hugging Face上Le Chonk排在Artificial Analysis Intelligence Index开源模型第五位，Coding Agent Index的49.8%超过了DeepSeek V4 Pro 0813和Qwen3.8 Max——但这些榜单分数不等于你能在家跑起来。对企业来说，合理的路径是租GPU集群或者走API，个人玩家先等社区量化和分流方案。

Python开发者怎么用

三步就能接上：

• 拿Mistral API Key，兼容OpenAI SDK格式，把base_url指到Mistral端点即可。
• 用agent框架（LangGraph、OpenHands都行）把Le Chonk挂成后端模型，先在低风险任务上试跑，比如补测试、写文档、修lint。
• 对照你的Token账单。如果同样任务比GLM-5.3、DeepSeek V4 Flash便宜三成以上，就值得切一部分流量过去。

Mistral还给了个展示案例：模型自主构建了Orbital Trace，一个追踪约1.9万颗卫星和碎片的空间目标实时3D可视化工具。从需求到成品没人工干预。

竞争格局：开源阵营挤进第一梯队

把时间线拉长看，开源编程模型这三个月的进度惊人。GLM-5.3、DeepSeek V4系列、Kimi K3、MiniMax M3.1 Flash轮番刷新榜单，Le Chonk再把Token效率拉高一截。开源和闭源的差距，在编程Agent这个具体场景上已经缩到肉眼难辨。

对开发者来说，选型逻辑变了。以前问”哪个模型最聪明”，现在要问”完成我的任务，哪个模型的账单最低、速度最快、能部署在哪”。Le Chonk给出的答案是：能力进第一梯队，Token全省47%，权重随便下载。

这场仗，Mistral打得很聪明。