跑分
在 Mistral AI 公布的成绩里，Mistral Large 4 的 DeepSWE v1.1 得分 61.7%，Cybench 93%，Harvey 法律智能体基准 15.8%；而在独立评测的综合排名里，它处于中游：Artificial Analysis 智能指数 38 分（225 个模型中排第 64），Vals Index 48.05%（44 个模型中排第 32）。它最明显的优势在网络安全、法律智能体和视觉定位；在综合智能指数上，GPT-6 Astra 和 Claude Opus 5.5 仍然更高。
更新于 2026 年 10 月 7 日 · 作者 suifeng
来源：Mistral AI 发布公告和定价页、OpenRouter 模型页、Hugging Face 模型页，核对于 2026 年 10 月 6 日。
Mistral Large 4 最强的是安全任务、法律和金融智能体，以及在图片里定位物体；在综合智能指数上属于中等水平。无论看 Mistral 自己的图表还是独立排行榜，都是这个规律。
在编程智能体任务上，Large 4 胜过 DeepSeek V4 Pro 和 Qwen3.8 Max，但在部分测试里落后于 GLM-5.3 和 Kimi K3。Mistral 用 Artificial Analysis 的测试框架跑这些题，每个对手用各自偏好的智能体工具（例如 Qwen3.8 Max 用 Claude Code，DeepSeek 用 Codex），所以分差很小时，可以视为不相上下。
Mistral 公布的综合编程智能体指数（Coding Agent Index）是 49.8%。在 Surge AI 的编程回答盲评里，评审给它打了 3.74 分（满分 5 分），高于 Kimi K3（3.59）和 GLM-5.3（3.60），低于 Claude Opus 5（4.22）。
| 基准测试 | Mistral Large 4 | DeepSeek V4 Pro 0813 | Qwen3.8 Max | GLM-5.3 | Kimi K3 |
|---|---|---|---|---|---|
| DeepSWE v1.1 | 61.7% | 57 | 51 | 61 | 68 |
| Terminal-Bench 4.0 | 28.3% | 10 | 17 | 40 | 21 |
| SWE-Atlas-QnA | 59.4% | 66 | 62 | 59 | 62 |
| AutomationBench（657 个工作流） | 59.9% | 56.7 | 57.2（2.4T A95B） | 62.2 | 58.3 |
| Surge AI 人工盲评，编程（1-5 分） | 3.74 | - | - | 3.60 | 3.59 |
网络安全是 Large 4 最突出的方向。CyberGym-E2E 要求模型先复现、再修补真实漏洞，它拿到 82%；而据 Mistral 说，Claude Opus 5.5 和 GPT-6 Astra 因为拒绝执行这类任务，得分接近零。在 Artificial Analysis 网络安全指数上，它完成了 50 个任务，GPT-6 Astra 是 33 个，Claude Opus 5.5 是 29 个。
对明显有害的请求，它也会拒绝：在 JailbreakBench、StrongREJECT 和 AgentHarm 上平均 95.3 分，在 Lakera 的 B3 智能体安全测试里抗攻击率 93.3%。在权重公开之前，Mistral 会向网络安全领军机构、经过审核的合作伙伴和政府部门提供一个降低审核强度的版本，用于红队测试。
| 基准测试 | Mistral Large 4 | 图中最强对手 | 其他对手 |
|---|---|---|---|
| CyberGym-E2E（复现 + 修补） | 82% | MiMo-V2.6-Pro 79 | Grok 4.7 74，Kimi K3 58，GLM-5.3 29 |
| Cybench（40 个 CTF 任务） | 93% | Kimi K3 90 | DeepSeek V4 Pro 0813 88，GLM-5.3 85 |
| AA 网络安全指数（成功数） | 50 | GLM-5.3-Flash 50 | Kimi K3 41，GPT-6 Astra 33，Claude Opus 5.5 29 |
| 有害网络请求拒绝率（平均） | 95.3 | Kimi K3 93.7 | GLM-5.3 87，DeepSeek V4 Pro 0813 77.7 |
| B3 智能体安全（Lakera） | 93.3% | GLM-5.3 93.3 | Kimi K3 88.1，DeepSeek V4 Pro 0813 85.2 |
在专业工作上，Large 4 在法律智能体上明显领先，在金融和科学上有竞争力。它在 Harvey 法律智能体基准上的 15.8 分，大约是 GPT-6 Astra（5.4）的三倍。在 Finance Agent v2 上得 54.7 分，略高于 GPT-6 Astra（53.5），略低于 GLM-5.3（55.8）。
在图片方面，它读图表和定位物体都不错。Dense200 衡量模型画边界框有多精准，Large 4 得 42.0 分，GPT-6 Astra 是 41.5，Kimi K3 是 28.9。ChartQA Pro 上它得 63.1 分，略低于 GPT-6 Astra（65.1）。
| 基准测试 | Mistral Large 4 | GPT-6 Astra | Kimi K3 | DeepSeek V4 Pro / V4.1 Flash |
|---|---|---|---|---|
| Harvey 法律智能体基准 | 15.8 | 5.4 | 12.9 | 7.5（Pro） |
| Finance Agent v2 | 54.7 | 53.5 | 53.1 | 50.4（Pro） |
| Finch（FinWorkBench） | 67.4 | 57.0 | 77.3 | 67.4（Pro） |
| SciCode-Verified pass@1 | 91.8 | 94.2 | 90.3 | 91（Pro） |
| Dense200 视觉定位 | 42.0 | 41.5 | 28.9 | 3.3（V4.1 Flash） |
| ChartQA Pro | 63.1 | 65.1 | 61.7 | 59.9（V4.1 Flash） |
| GDP.pdf | 18.6 | - | 22 | 12.8（V4.1 Flash） |
对这部分有疑问？
直接问 Mistral Large 4。免费账号每天送 15 积分。
Artificial Analysis 智能指数 v4.3.2 给 Large 4 打了 38 分，在 225 个模型中排第 64，在开放权重模型中排第 8。它排在 DeepSeek V4 Pro（36.0）和 GLM-5.2（33.7）前面，落后于 GLM-5.3（45）和 MiMo-V2.6-Pro（46）。
它速度快，但话多。输出速度每秒 116.1 个 token，中位数是 87；可跑完整个指数用了 200M 输出 token，中位数只有 81M，所以长回答会推高成本，也会拉长等待时间。由于权重还没公开，Artificial Analysis 目前把它列为闭源模型。
| 指标 | Mistral Large 4 | 参照 |
|---|---|---|
| 智能指数 v4.3.2 | 38（225 个中排第 64） | Claude Opus 5.5 58，GPT-6 Astra 53，Gemini 4 Argon 53，GPT-6.1 Sol 52 |
| 开放权重模型排名 | 第 8 | DeepSeek V4 Pro 36.0，GLM-5.2 33.7 |
| 输出速度 | 116.1 token/秒（第 51） | 中位数 87 token/秒 |
| 首 token 延迟 | 1.46 秒 | - |
| 跑完整个指数的输出 token | 200M | 中位数 81M |
| 指数单题成本（原价） | $1.13 | - |
Vals AI 的 Vals Index v2.1 给 Mistral Large 4 打了 48.05%，在 44 个模型中排第 32，和 Qwen 3.8 Max（48.27%）、DeepSeek V4 Pro 0813（47.63%）几乎持平。这个指数排第一的是 Gemini 4 Argon（68.90%），其次是 Claude Opus 5.5（66.97%）。
它在 Vals 上排名最好的是法律和金融工作，最弱的是形式化证明和谜题式的科学推理。
| Vals 基准 | 得分 | 排名 |
|---|---|---|
| Vals Index v2.1 | 48.05% | 44 个中第 32 |
| Harvey 法律智能体基准 | 15.83% | 75 个中第 6 |
| BioMysteryBench | 67.04% | 24 个中第 17 |
| Vibe Code Bench 1-100 | 14.26% | 21 个中第 16 |
| Terminal-Bench 4.0 | 22.73% | 44 个中第 20 |
| Finance Agent v2 | 54.68% | 75 个中第 22 |
| Tax Agent Bench | 63.29% | 66 个中第 25 |
| Vibe Code Bench v1.1 | 78.40% | 109 个中第 25 |
| IOI | 45.28% | 41 个中第 28 |
| Code Migration | 30.56% | 74 个中第 38 |
| ProofBench v1.1 | 10.00% | 47 个中第 42 |
| MysteryMechanism | 12.16% | 24 个中第 24 |
厂商成绩和独立成绩回答的是不同的问题，选模型之前，最好知道两者之间差在哪。
跑分是平均值，真正要紧的是你自己的问题。你可以在本站首页的聊天框里，把自己的编程、法律或金融问题发给 Mistral Large 4；免费账号每天 15 积分。这个性能水平对应的 token 成本，在 API 价格页里有详细拆解；和 DeepSeek V4、Mistral Large 3 的正面对比，也各有一篇专门文章。
FAQ
继续阅读
