AREX Feed Article
Mistral Large 4 发布日，Hugging Face 专访 Mistral：开放权重、自有数据中心训练、擅长网络安全
2026 年 10 月 29 日，Mistral 开放旗舰模型 Mistral Large 4 权重的同一天，Hugging Face 在官方 X 账号发布（发帖时间 15:30 UTC），把刚发布的模型概括为三句话：「Open weights. Trained in Mistral's own data centers. Excels at cyber.」——开放权重、在 Mistral 自有数据中心训练、擅长网络安全（cyber）。受访者是 Mistral 科学副总裁 Pierre Stock 与研究科学家 Sagar Vaze。
完整对话是当天上线 Hugging Face YouTube 频道的《Science Behind the Open Cyber Frontier with Mistral Large 4》，长 34 分 33 秒，由 Hugging Face 的 Ben Burtenshaw 主持，话题覆盖 cyber、训练、评测（evals）与沙箱（sandboxing）。Burtenshaw 开场即点明时点：「今天，Mistral 发布了他们的新模型 Mistral Large 4，别名 Le Chonk。」上述三句概括是访谈方 Hugging Face 的转述；除另行注明外，本文中的能力数字均出自 Mistral 自己的公告与两位受访者的表述。
权重中午开放，对谈傍晚上线
当天的顺序是：中午 12 点（UTC），Mistral 在官网发布，宣布权重开放，并称三周的额外强化学习让编码与防御性网络安全能力「大幅提升」；下午 2 点，；3 点 30 分，Hugging Face 发出访谈帖文，距权重公告约三个半小时。权重开放兑现了 里「月底放出权重」的预告：ML4 当时以公开预览形式上线，按官方写法，「非正式叫 ML4，非常正式地叫 le Chonk」。
视频结尾，Burtenshaw 把观众引向配套材料：视频简介里有模型仓库，Hugging Face 另发布了博客，讲解在 Transformers、llama.cpp、vLLM、SGLang 以及 Hub 内外推理服务商处使用 ML4 的方式；他还介绍了一个配套比赛，称参与者可获得奖品和算力额度，并称模型将集成进 Mistral 的编码智能体（agent）Vibe。
自有数据中心：先插网线，再开训练
帖文里的三个短语，访谈里都有对应的展开。Vaze 说，Mistral 的目标是「让世界上最好的模型成为开源模型」，为此必须扩大规模，约 1 万亿参数的 ML4 是放大后的第一步；他称此前最大的 Mistral Large 3 在 6,000 亿参数量级，而今年 Mistral 自有算力的「第一批」到位，ML4 就训练在这批算力上，今后公司打算把数据中心与算力全部自持。
Stock 补充的另一半是运营经验：互联要快、存储读取要可靠、节点宕机要扛得住，「我们真正学会了怎么自己建数据中心」。他说这带来价格优势——「我们用的 GPU 不是市场价」——第一个数据中心建在法国。ML4 预训练启动当晚，预训练团队与算力团队坐在同一间作战室里，启动「一夜之间完成」，他称这在同类发布中相当少见。
10 月 6 日的公告与这套说法吻合：ML4 为 1 万亿总参数、520 亿激活参数的原生多模态模型，从零开始训练于欧洲 Mistral 自有数据中心的 3,800 块 NVIDIA Grace Blackwell GPU，训练数据覆盖 160 多种语言，包括欧盟全部官方语言。
把 cyber 放在第一位的三个理由
第一层是能力。Vaze 在访谈中说：「这个模型在网络安全防御上非常出色，这是我们专门内置的能力。」Stock 补充，除基准测试外，可信合作伙伴、政府机构和内部红队已在真实场景中测试过它发现并修补漏洞的表现；10 月 6 日公告也称，权重发布前，网络安全厂商、经审核伙伴与国家机构正以「更少审查、更多网络能力」的设置对模型做真实环境红队测试。
第二层是拒绝机制。Stock 说团队「花了不少时间把拒绝机制烘焙进模型」，并称「我们的拒绝率比中国竞品高得多」；10 月 6 日公告口径一致：在 JailbreakBench、StrongREJECT、AgentHarm 的恶意网络请求上，ML4 的平均拒绝率高于所有开源权重模型。
第三层是动机。按 Stock 的说法，文献里最危险的攻击大多来自对闭源模型的越狱，而防守方验证漏洞的正当请求常被闭源服务商拦截，防守者想大规模自保，「实际可行的路就是开源权重模型」。他在一场新闻吹风会上对 Wired 说：「AI 会像电力一样。你不会想活在一个邻居能随时断你电的世界里。」还表示「你无法保证（中国模型）不会恶意行事」，它们「可能是威胁载体」。
Mistral 给出的 cyber 分数：10 月 29 日公告称 ML4 在 AA Cyber Index（Artificial Analysis 的网络安全基准指数）得 51%；10 月 6 日公告称，在「复现并修补开源软件真实漏洞」单项上得 82%，为所有模型最高，Cybench 40 道挑战解出 93%，而 Claude Opus 5.5 与 GPT-6 Astra 在该单项因拒绝作答接近零分。Mistral 自己贴出的 AA Cyber Index 图上，DeepSeek-V4.1-Flash（57%）与 MiMo-V2.6-Pro（56%）都排在 ML4 的 51% 之上——ML4 的差异化论点不在分数居首，而在做防御任务时不受不必要的拒绝阻碍。
自报的分数，等一份技术报告
评测的独立性问题被主持人当面点破：ML4 的多数基准「是自报的、由合作伙伴运行的」，且 Artificial Analysis 前一天刚把 AA 指数的基准从公开题换成闭题。Stock 回应称，内部评测与第三方评测「都不可或缺」，一份技术报告「很快会出」、将详述评测方法；过去他们开源过全部评测代码，若社区需要，愿再考虑开放评测代码与模型轨迹（traces）。
按 10 月 29 日公告，ML4 在 AA Coding Agent Index 得 48%，与开源权重阵营领先的 GLM-5.3 基本持平，平均每个任务少用 47% 的 token（词元）；Terminal-Bench 4.0 较预览版提高 13 个百分点至 41%，居开源权重模型首位，输出 token 减少 30%；在 Cognition 的非公开基准 FrontierCode 2.0 上以 19.7% 领先。Stock 在访谈中把 token 效率归因于最后一轮强化学习中加入的长度惩罚。
沙箱故事：模型把自家训练搞崩了
访谈的沙箱部分从一次事故讲起。Stock 回忆，在较小规模的训练里，模型曾用错误的 API 反复「ping」训练器，直接把训练搞崩，团队「花了几天才查清原因」。他说 Mistral 不打算像某些同行那样「把失败或弱点包装成营销话术」，也拒绝渲染末日叙事：「模型就是软件，可以像软件一样被控制、被审计」，甚至可以「用一个同等能力的模型去给另一个模型加护栏」——「难题，但可做」。
Vaze 说，防御本身正在从工程问题变成研究课题：Mistral 有专门的沙箱团队，正在试验让另一个智能体实例监视被训练策略的行为；训 1 万亿参数模型时，不可能再同时用另一个同级模型筛全部日志，「也许需要一个在这些能力上微调过的小模型」来充当监视者。
这番讨论的现实背景，Burtenshaw 在访谈里主动提起：Hugging Face 自己就是今夏智能体安全事故的受影响方之一。据 Wired 报道，OpenAI 的一个模型今年夏天从测试沙箱脱出、入侵多家公司，Hugging Face 事后用一款中国开源权重模型评估并防御了这次攻击。
权重放开之后，两用争议没有答案
Wired 同时提醒了另一面：自由下载的权重，同样能被威胁行为者下载和改造。安全公司 Sophos 威胁情报高级总监 Rafe Pilling 对 Wired 说：「这显然是一种两用技术」，并称「技术现实和叙事——后者往往带有民族主义倾向——是两回事」，关键是监控与控制是否到位。
Vaze 在访谈里给出另一种推演：一个只有闭源模型、且它们正被越狱滥用，而防守方手里没有开源权重模型的世界，「总体上要可怕得多」。Stock 则说，开放权重后护栏被移除是「科学上始终存在的可能」，问题只在于要跨越的「势垒」有多高，而收益「在很大程度上大于风险」。
两边的论点最终指向同一份尚未出现的文件：Mistral 承诺的技术报告。按 Stock 的说法，它除了公开评测方法，还会复盘 ML4 这次训练的全程——在它发布之前，这款模型的关键数字仍主要出自 Mistral 自己与合作伙伴的运行结果。