先说结论

Mistral 发布了公开预览版 Mistral Large 4，官方昵称 Le Chonk——这个昵称来自几个月来社区「把它梗成现实」的玩笑，Berman 认为 Mistral CEO 听到了呼声并顺势采纳。它是一个总参数 1 万亿、激活参数 490 亿的混合指令-推理 MoE 模型，原生多模态输入，把指令、推理和 agentic 能力统一进单个模型。Berman 的核心判断有三层：第一，它是第一个完全在欧洲 conceived、设计、训练并推理的从零训练前沿级开源权重模型——不是在 Qwen 或 Kimi 底座上后训练；第二，它的单项能力（尤其网络安全）真实地强，但综合智能只排 Artificial Analysis 智能指数第 25/25 名；第三，把它真正用起来的体验暴露了开源生态最大的软肋——没有顺手 harness 的开源模型，对大众用户几乎不可用。以下事实与数字均出自节目陈述，标注为「节目称」。

事件与规格：从零训练的欧洲旗舰

节目称，ML4 定价异常精确：每百万输入 token 1.36 美元、输出 4.18 美元。训练使用 3800 块 NVIDIA Grace Blackwell GPU，位于欧洲自有数据中心，公开预览也跑在同一套基础设施上——这是「主权」叙事的硬件底座。Berman 特别强调「从零训练」的意义：行业内流行路径是拿 Qwen 底座后训练出自己的模型（他承认这样也能做出很好的模型），但他想看的是真正的 foundation model。权重尚未放出，官方承诺月底前发布；在此之前用「公开强护栏、可信伙伴弱护栏」的方式红队——网络安全负责人、受审查伙伴与国家机构可获得降低 moderation、扩展网络能力的同款模型。Berman 评价：这正是 OpenAI/Anthropic 等前沿实验室的标准剧本，如今被开源公司复刻，「我觉得还行」。

机制一：闭源「pacing the frontier」正在没收开源的传统卖点

Berman 观察到一个正在改变行业定价结构的现象：OpenAI 的 GPT-6.1 Soul 和 Anthropic 的 Opus 5.5（他称之为 Opus 是 Fable 的蒸馏版、却更好更快更便宜，「简直疯狂」）两波发布，加上「Tibo」（转写疑似，疑为某推理服务商，节目称其全线产品提速 50%）之类的动作，意味着闭源阵营在「放缓下一次大训练」的同时，用更便宜、更快、仍然最强的中间代模型填满窗口期。节目称，闭源前沿对开源的领先「最少六个月，而且可能还在拉大」。这直接侵蚀了人们转向开源的两大传统理由——价格与速度。开源剩下不可没收的价值是：所有权、隐私、零数据留存承诺、自主增删护栏，以及在窄场景上通过社区微调超越闭源通用模型的可能。Berman 引用数据佐证这种分化：总 token 消耗量已在向开源倾斜，但总收入仍流向 OpenAI 和 Anthropic——开源在「用量」上赢、「价值捕获」上输。

机制二：单项登顶与总榜垫底并存，选型要看垂直指标

节目引用的评测结果呈现明显的分裂。综合榜上，ML4 在 Artificial Analysis 智能指数得 38 分、25 个模型中排第 25；榜单前六名被 Anthropic 包揽（Opus 5.5 居首），GPT-6 Astra 53 分，Gemini 4 Argon 已放榜未公开，小米 Mimo「横空出世」，其后是 GLM 5.3、DeepSeek V4.1 Flash。但在垂直方向：CyberGym 得 82 分，为包括中国模型在内的开源第一（Berman 提到该榜单恰好缺 Fable/Astra 等闭源对手）；Artificial Analysis 网络安全指数 50 分、与 GLM 5.3 Flash 并列第一；独立评测称其在「真实软件中找修安全漏洞」上进全球前五、在中国以外的开源权重模型中大幅领先。编码与 agentic 方面：节目称在 DeepSweep 1.1（转写疑似，Berman 称这是衡量开发者真实体感的最爱基准）上排开源第二，仅次于曾长期霸榜的 GLM 5.3，Kimi K3 得 68；Terminal Bench 第二，但 GLM 5.3 以 40 分「统治级」领先；Automation Bench 59.9 分略逊 GLM 5.3 的 62.2，相比 Mistral Medium 3.5「尴尬低分」是代际跳跃。短板同样具体：上下文窗口只有 50 万 token，而 GLM 5.3、Mimo、GPT-6 Astra、Opus 5.5 等已把 100 万变成事实标准（另一个 50 万的例外是 Grok 4.7，Berman 表示不解）；吞吐 116 token/秒算快，但仍低于 DeepSeek V4.1 Flash 的 227。他提示法律基准有遗漏项：Harvey 法律 Agent 榜上真正第一的是未列入的 Grok 4.7（19.6%），而 GPT-6 Astro 在该榜表现不佳、Kimi K3 仅 12.9%。

机制三：模型很强、体验很差——开源的真正瓶颈在 harness

视频后半段是 Berman 的「吐槽」部分，也是最值得开发者看的部分。他拿到 API key 后接入 OpenCode：ML4 的思维链在 high thinking 档位下持续输出，烧到约 3.2 万 token 后撑爆上下文直接停摆，不给任何反馈，他不得不手动调大上下文上限、再关掉 thinking 才好转。他吐槽「OpenCode 不能自动知道模型的上下文上限，有点荒谬」。标准测试（魔方 3D 仿真，Berman 称多数模型一次通过）也反复出 bug：第一轮 scramble 按钮只打印步骤不动画，第二轮旋转正常但贴图颜色消失、auto-solve 最后一步颜色全部重置——他判定失败，但归因于模型与 harness 的交互而非模型本身：除非模型厂同时提供为模型优化的 harness，否则很难发挥。他点名唯一例外是 Cursor——长期不自研模型，却最擅长把别家模型调教得在自己的 agentic 环境里好用。由此他给出判断：开源若不能做到与 Claude Code、Codex、Grok、Cursor 同级的开箱即用，就只会停留在「有内部专家 + 有规模」的企业场景——企业把能省的任务卸载到自己完全可控、便宜得多的模型上，这条路今天已经成立且被数据验证；而面向大众的开源繁荣，前提是易用性追平闭源产品。

对行业与读者的意味

把三条线索串起来：ML4 不是「又一个开源模型」，而是开源竞争维度的一次换轨——当价格与速度的优势被闭源「pacing」战术没收后，开源的卖点正迁移到主权（欧洲自有训练与推理设施）、可控（自主增删护栏、零数据留存）与窄场景定制上；欧洲借此成为美（闭源最强）中（开源最强）之外第三个有分量的参赛者。对选型者的可迁移原则是：别看总榜看垂直榜——网络安全、法律、金融 Agent 各榜的座次与综合榜严重不一致；对做工具链的人，Berman 的踩坑实录再次证明「模型能力 ≠ 产品体验」，harness 对模型参数（上下文上限、thinking 档位）的自动适配是真实痛点，Cursor 式「调教他厂模型」的能力本身就是护城河。观察指标也很明确：月底权重放出后，社区能否兑现「微调提速、窄场景超越 Opus 5.5」的开源承诺；以及 Le Chat 正式上架时，Mistral 会不会给出官方 harness。Berman 的结论态度是：有抱怨，但「这对世界是好事，恭喜 Mistral」。

来源：Matthew Berman 频道视频转写（约 21.5 分钟）。文中评测分数、定价、训练细节均为节目陈述或节目引用的厂商/榜单数据，未独立核实；「Tibo」「DeepSweep」「Muse Spark」等转写存疑名词已标注。