Mistral Large 4 开源权重发布：1 万亿参数，主打编程与防御性安全

深度摘要

Mistral 发布 Mistral Large 4（代号 Le Chonk）的权重：1 万亿参数、原生多模态的混合 instruct 与推理 MoE，统一指令、推理与 agent 能力于同一模型，支持 160 多种语言。公开预览后又经过三周强化学习，厂商宣称的成绩：Cognition 私有基准 FrontierCode 2.0 得分 19.7%，居开源权重首位；Artificial Analysis 编程 Agent 指数 48%，与领先的开源模型 GLM-5.3 持平，但每任务平均 token 少 47%；Terminal-Bench 4.0 从预览版提升 13 个百分点至 41%，居开源首位且输出 token 减少 30%。安全一侧：Artificial Analysis Cyber 指数 51%，衡量在代码库中发现漏洞、复现验证并修补且不破坏功能的能力；对恶意网络请求的平均拒绝率 96.6%，为厂商自测的开源最高值。模型提供三种推理模式以调节性能与成本，API 定价为每百万 token 输入 0.70 美元、缓存输入 0.07 美元、输出 2.10 美元，可经 Mistral Studio、API、OpenRouter、Hugging Face 获取，也已上架 Microsoft Foundry 与 NVIDIA NIM 容器。

关键要点

• 1 万亿参数、原生多模态的混合 instruct 与推理 MoE，支持 160 多种语言
• FrontierCode 2.0 得分 19.7%，厂商宣称居开源权重首位
• 编程 Agent 指数 48%，与 GLM-5.3 持平但每任务 token 少 47%
• Terminal-Bench 4.0 达 41%，较预览版提升 13 个百分点且输出 token 减少 30%
• Cyber 指数 51%，恶意网络请求平均拒绝率 96.6%
• 三种推理模式调节性能与成本；API 定价为输入 0.70 美元、缓存输入 0.07 美元、输出 2.10 美元每百万 token
• 许可为 Mistral Ecosystem Open-Weight（改良 MIT 许可），但以模型即服务形式商业运营须另获商业许可

关键事实

事实：以上基准成绩均为 Mistral 发布稿中的厂商自测口径，完整技术报告尚未发布（厂商称即将推出），第三方复现结果未见；三周强化学习带来的提升幅度同样为厂商说法。许可条件与定价为发布稿原文：免费使用、修改、微调与商业化，但模型即服务运营须另获商业许可。

作者观点

Mistral 的主张是主权 AI：模型在欧洲基础设施上从零训练、血统清晰，组织可以拥有、定制并完全控制自己的智能；开放权重是通向这一目标的路径，而非单纯的价格战。

为什么重要

开源前沿在编程与防御性安全两个最烧钱的场景同时推进：对开发者意味着可自托管、可微调的顶级编程模型又多一个选择；对安全团队意味着防御工具可以审计架构而不必把数据交给他人；对中国读者而言，欧洲主权叙事与中美模型之外的第三极供给值得留意。

编辑点评

成绩先打折听：技术报告未出之前，FrontierCode 与 Cyber 指数的领先都只是厂商口径。但即便打折，一个可自托管的万亿参数开源模型仍是实质供给——真正的限制不在权重是否开放，而在 MaaS 许可条款与运行它的算力成本。

深度摘要

Willison 转述 Spawn 开发者 Jacob Sansbury 的自述：Spawn 是一个多人游戏世界，玩家可以用提示词指挥游戏内 agent Savi 修改世界——Willison 亲手试玩，几分钟内就用提示词变出一座城堡、一条龙并骑龙飞行。按 Sansbury 的说法，Spawn 如今由一群 Fable 驱动的 agent 自主开发，每月 token 花费超过 300 万美元，达到人力成本的 30 倍。约 60% 的工作始于生产报错、Savi 提交的 bug、日志异常或功能请求；Savi 自己会提交 bug，agent 判断是否真实、是否修复，通常一小时内把改动交付给当事用户并在同一对话中告知。团队把一小时不发版视为最严重的 SEV-0 事故：未发版的改动会堆积，agent 只能记住几小时的工作量，发得越快反而越连贯；回滚可在 30 秒内精确作用于出错处。模型选型上，Fable 5 及 5.1 是实现这一自主程度的关键，Opus 5.5 尚不够用，而用 GPT-6 Astra 按安全审查修补时，它把全产品的功能都关掉以求安全，导致一切停摆。

关键要点

• Spawn 由 Fable 驱动的 agent 群自主开发，每月 token 花费超 300 万美元，约为人力成本的 30 倍
• 约 60% 的工作始于生产报错、Savi 的 bug 报告、日志异常或功能请求
• Savi 自己提交 bug，agent 判断后通常一小时内交付修复并在同一对话中告知用户
• 一小时不发版即视为 SEV-0：发版频率是模型保持连贯的前提，而非单纯的工程习惯
• 回滚可在 30 秒内精确作用于出错处，团队还会主动制造故障以验证恢复路径
• Fable 5 及 5.1 是关键变量，Opus 5.5 尚不够用；GPT-6 Astra 的安全修补曾把全部功能关掉

关键事实

事实：以上数字与流程均为 Sansbury 经 Willison 转述的自述，未经第三方独立核实；Willison 本人只试玩了几分钟并确认了提示词改世界的体验。原文链接指向一篇 X 帖子，本期以 Willison 的转述全文为准。

作者观点

Willison 的判断是：很难想象这种开发方式适用于出错代价更高的软件，但对游戏而言它出人意料地行之有效；正因如此，游戏开发是探索当今编程 agent 边界的理想基质。

为什么重要

这是 agent 自主开发的极限案例：它把两个平时分开讨论的问题焊在一起——模型能力差异直接决定工作流是否成立，而部署频率直接决定模型能否保持连贯。对评估 agent 组织方式的人而言，这比基准分数更具体。

编辑点评

这是低风险沙盒里的极限实验，不能直接外推到高风险软件；但每小时不发版即 SEV-0 的提法值得反向思考——当 agent 的记忆窗口成为瓶颈，部署节奏就不再是工程文化，而是模型能力的组成部分。

深度摘要

Qwenputer 的做法是把计算机编译进权重：Qwen3.5 的四分之三注意力层使用 Gated DeltaNet（一种线性 RNN），每个头维护一个状态矩阵；把门控设为 1、写入强度设为 1 并使用 one-hot 键编码后，每次写入恰好覆盖一行、每次查询恰好读回一个值，GDN 层就成了精确可寻址的 RAM，且状态大小不随对话变长而膨胀。在此基础上，作者用编译器把 CPU 描述为电路：注意力头查表、前馈单元算术、DeltaNet 头存 RAM，指令被编码为 ADDR、VAL、STEP 三类 token，模型生成这些 token 的过程就是 CPU 执行的过程。这台 CPU 是 32 位 RISC-V（RV32IM 加 Zba 扩展与大数单元），占 Qwen 32 层之前的 11 层，通过官方 riscv-tests、程序输出与 qemu 一致、连续自由运行 1800 万条指令零错误；约 230000 个输出位置与参考机重放零不匹配。算术成绩：NUPA 长整数从 48.6% 升至 100%，与给模型配 Python 工具持平；DeepMind 算术集上多项达 97.5% 至 100%，接近或持平工具辅助水平，远高于基座模型。作者还顺手做了权重内文件系统：1024 个目录槽、最多 512 个文件、约 53000 token 文本，跨对话保存状态后，回答变化后事实的正确率达 90%，而把旧对话粘贴回去只有 30%。代价同样写明：检查点 18.8GB，约为基座模型两倍；需要 RvChat 驱动引导固件，不能直接用 plain generate 调用；每条 CPU 指令花费数个解码 token，速度较慢。

关键要点

• Gated DeltaNet 状态矩阵经门控与 one-hot 编码改造后，成为精确可寻址的 RAM
• 编译器把 CPU 电路写入权重：11 层额外层实现 RV32IM 加 Zba 扩展与大数单元
• 通过官方 riscv-tests，连续自由运行 1800 万条指令零错误，23 万个输出位置重放零不匹配
• NUPA 长整数算术从 48.6% 升至 100%，与配 Python 工具持平
• 权重内文件系统：1024 个目录槽、最多 512 个文件、约 53000 token，跨对话事实正确率 90%
• 代价：检查点 18.8GB 约为基座两倍，需 RvChat 驱动，每条指令花费数个 token

关键事实

事实：以上均为作者单方报告的实验结果，代码与模型已在 GitHub、Hugging Face 与 ModelScope 开放，可复现；但基准成绩未经第三方独立验证，自由运行零错误的口径为作者自己的重放统计。

作者观点

作者的主张是：对 RNN 层的精确控制不止于算术，它还是 AI 安全研究的试验台——后续两篇随笔分别讨论混合模型如何把推理藏进 RNN 状态以逃避思维链监控，以及编译权重如何成为模型无法关闭的内置监控器。

为什么重要

它把工具调用问题翻了个面：不是给模型更好的外部工具，而是把计算本身变成模型结构。确定性是关键——模型算术不再靠猜测，而是靠一台真的 CPU；同时它也暴露了同一机制的双面性：可监控，也可藏匿。

编辑点评

目前这仍是研究演示而非实用加速：体积翻倍、速度慢、需要专用驱动，决定了它短期内不会替代工具调用。真正值得跟进的是两篇后续——RNN 藏推理与权重内监控，那才是这项工作对齐安全议题的落点。

深度摘要

Trakkr Research 向 ChatGPT、Perplexity、Gemini、Claude 与 Google AI Overviews 提了 200 个需要数字回答的问题（160 个日常问题加 40 个著名统计），从回答中抽取 1285 个被引用的统计数字，沿引用链逐页追踪至多五层。结果：40% 追溯到说法一致的原始研究，8% 追溯到了研究但数字或语境已被改动，40% 停在无法核查的来源（被锁、已消失或根本不含该数字），11% 完全无处可去。AI 倒不常凭空编数字：被引页面本身含有该数字的比例达 82%，但被引页面是原始研究的仅占 21%——公司博客占引用来源的 54%，新闻与统计合集占大头。分助手看，ChatGPT 表现最好：引用数字最少（每答 1.3 个，Claude 为 6.8 个），可溯源比例 57%；其余四家在 38% 至 46% 之间，差距在误差范围内无法排序。最生动的案例是一条销售跟进统计：五家助手给出同一数字，但追踪终点是一篇自由撰稿人的样稿文章，通篇不引用任何研究；另一条 94% 案例则从 2004 年一项 15 名女性评判健康网站的研究，一路演变为所有网站第一印象都与设计有关的通说。报告还纠正了一个流行误读：MIT NANDA 2025 报告说的是 95% 的组织未从生成式 AI 获得可衡量财务回报，不等于 95% 的试点失败。

关键要点

• 200 个问题、1285 个被引用统计数字，逐页追踪至多五层
• 40% 追溯到说法一致的原始研究，8% 研究已变味，40% 无法核查，11% 无处可去
• 被引页面本身含有数字的占 82%，但被引页面是原始研究的仅占 21%
• 公司博客占引用来源的 54%，是数字失真的主要中转站
• ChatGPT 引用最少（每答 1.3 个）且可溯源比例最高（57%），其余四家在 38% 至 46% 之间
• 五家助手给出同一数字不等于五个来源：被所有助手引用的四条统计均找不到背后的研究
• MIT NANDA 的 95% 指组织未获财务回报，不等于 95% 的试点失败

关键事实

事实：方法论为模型初判加 150 条人工复核校正，报告给出的可溯源比例区间为 34% 至 46%；提问通过各家 API 加联网搜索、美国定位，于 2026 年 10 月 25 日一次性完成，日常应用中的回答可能不同；付费墙或表单后的原始报告计为无法核查而非不存在。

作者观点

作者的建议很具体：引用研究本身而非转载页面；把标题数字、样本、日期与方法放在同一开放页面；不要把报告藏在表单后面——因为转载页面决定了公众实际听到什么。

为什么重要

对任何依赖 AI 回答做判断的人，这篇报告给出了可操作的怀疑姿势：自信的语气与规范的引用格式都不构成证据；多家助手一致也不构成印证——它们可能只是在复述同一个转载源。

编辑点评

本期最值得普通读者带走的一篇：它不争论 AI 是否幻觉，而是把幻觉的上一环——人类网络本身如何丢失出处——量化了。下次看到一个漂亮的百分比，先问它能不能再往前点一页。

深度摘要

SkyPilot 的论点是：NVL72 把 NVLink 从单节点扩展到整机架，机架成了新的服务器，也成了新的故障原子单位。互联一侧：张量并行的 all-reduce 与专家并行的 all-to-all 都在训练关键路径上，Hugging Face 的实测是离 NVLink 改走 InfiniBand 会让训练吞吐下降 43%；标准 8 卡服务器上 64 路专家并行的 all-to-all 会有高达 60% 的时间耗在通信上，而 NVL72 机架内 72 卡共享 1.8TB 每秒每卡、总计 130TB 每秒的无阻塞 NVLink fabric，推理 DeepSeek-R1 时 32 路专家并行的每卡吞吐可达 8 卡 B200 服务器的 4.4 倍。容错一侧：Meta 在吉瓦级超算上测得每 4 卡节点的平均故障间隔约 490 天，换算到 72 卡机架约为每 27 天中断一次；128 机架集群里，整机架作业平均每 5 小时就会遇到一个机架不可用。按 NVIDIA 的模型，在生产集群约 2% 的节点不可用率下，16 节点切片加每机架两个备用节点，比占满 18 节点的切片多出 27% 的可用节点（2037 对 1602），且优于 9 节点切片 4%。调度一侧：SkyPilot 的拓扑感知调度把切片固定在单机架、故障时原地换备用节点、并在拓扑而非容量阻塞作业时自动抢占可安全重启的任务以腾出整机架；NVIDIA GR00T 团队在 512 块 GB300 上预训练 GR00T N1.7 的对比中，机架感知排布使吞吐提升 14.4%，每步从 1.59 秒降至 1.39 秒，按万卡集群折算约每小时节省 16700 美元。

关键要点

• 离 NVLink 改走 InfiniBand，Hugging Face 实测训练吞吐下降 43%
• NVL72 机架：72 卡共享 NVLink，单卡 1.8TB 每秒、机架总计 130TB 每秒且无阻塞
• 机架故障间隔约 27 天：Meta 的 490 天单节点间隔换算到 72 卡机架的结果
• 2% 节点不可用率下，16 节点切片加两个备用节点比 18 节点满配多出 27% 可用节点
• GR00T N1.7 对比：机架感知排布使吞吐提升 14.4%，每步从 1.59 秒降至 1.39 秒
• 调度三件套：拓扑感知排布、故障原地换备用节点、自动去碎片化

关键事实

事实：以上数字分别引自 NVIDIA 模型、Meta 的可靠性测量、Hugging Face 与 vLLM 的公开基准以及 SkyPilot 生产集群的自述，原文为 SkyPilot 的厂商博客，末节为其平台推介，GR00T 对比为 NVIDIA 团队的实验经 SkyPilot 转述，非独立第三方审计结果。

作者观点

SkyPilot 的主张是：硬件 alone 不保证加速——机架级系统要求机架感知排布、故障 resilience 与动态再平衡，调度器必须理解硬件拓扑，否则 NVLink 的带宽优势会被跨机架流量吃掉。

为什么重要

对算力采购与集群运营者，这篇把抽象的互联带宽翻译成了钱与可用容量：少占两个节点反而多出算力，调度策略本身就是成本项；对模型训练者，它解释了为什么同样的卡在不同排布下会跑出不同的速度。

编辑点评

核心洞见是反直觉的：机架成为故障原子单位后，占满即高效的直觉失效了。厂商博客的身份要记一笔，但 27% 与 14.4% 这两个数字背后的机制——备用容量吸收故障、排布决定带宽——是独立于厂商的。

深度摘要

Construction Physics 的长文从一个区分讲起：常规化学只重排电子，核反应则重排原子核内部——改中子数得到同位素，改质子数得到新元素。而今天同位素的供给又贵又脆：医疗成像的主力锝-99m 来自全球少数反应堆生产的钼-99，2024 年部分反应堆停机检修时就出现全球短缺；癌症治疗前景看好的锕-225 供应极少，每年仅能治疗少量患者。现有生产方式各有短板：粒子加速器只能加速带电粒子，GE PETtrace 800 用质子制造氟-18 时约 800 个质子只有一个进入氧核，每小时仅产尘粒大小的量，作者按 75 千瓦功耗换算，生产一克氟-18 约需 0.7 太瓦时；裂变反应堆的中子能量低且多被慢化，超过 10MeV 的仅占约 0.1%。聚变的卖点正在于此：氘氚聚变产生的中子在 14MeV 以上，且聚变反应的制造从来不是难题，难的是能量净增益——如果目标只是产中子而非发电，门槛就低得多。SHINE 的 Chrysalis 工厂、意大利 SORGENTINA-RF 计划、Marathon Fusion 与新西兰 OpenStar 都在朝这个方向走；更进一步，若产同位素的聚变反应本身也能发电，能源销售可以补贴设施成本。作者列出的应用谱系包括：更便宜可靠的医疗同位素、核电输入（目前仅俄中掌握的锂-6 富集、TerraPower 熔盐堆按吨计的氯-37）、核电池（起搏器与航天器之外可用于长期水下监测）、以及同位素纯材料（硅-28 用于量子计算、金刚石导热等），Marathon 用汞制造金则是同一机制最抓眼球的演示。

关键要点

• 同位素供给又贵又脆：钼-99 仅全球少数反应堆生产，2024 年曾全球短缺
• 粒子加速器效率低：PETtrace 800 约 800 个质子只有一个进入氧核
• 裂变中子超过 10MeV 的仅占约 0.1%，氘氚聚变中子在 14MeV 以上
• 聚变产中子不难，难的是能量净增益——目标改为产同位素后门槛大降
• SHINE、SORGENTINA-RF、Marathon Fusion、OpenStar 均在布局聚变产同位素
• 应用谱系：医疗同位素、核电输入、核电池、同位素纯材料，以及汞制金演示

关键事实

事实：本文为作者的论述性长文，写作参考了与 Marathon Fusion 的交流，作者自承错误自负；0.7 太瓦时每克氟-18 为作者按功耗所做的示意性换算，非实测生产数据；汞制金为 Marathon 去年与上周引起关注的演示，尚未构成量产路径。

作者观点

作者的判断是：许多技术的命运取决于能变得多便宜——太阳能、钢铁与 Model T 皆是如此；一种能把既有事物大幅降价的技术永远值得关注，他会持续跟踪同位素制造的进展。

为什么重要

与 AI 的直接关联弱，但它是成本曲线改写可能性边界的典型样本：医疗同位素短缺与锂同位素供给是更硬的支点，而聚变叙事长期被发电目标绑架，这篇提醒人们换一个目标函数会看到不同的赛道。

编辑点评

读这篇要分清三层：已验证的短缺是真的，聚变产中子的物理是真的，廉价量产仍是推演。金汞反应是噱头，医疗同位素与核电输入才是值得跟踪的硬需求。

深度摘要

Goedecke 的论点是：用好 AI 最重要的技能是主动性——愿意尝试新的、雄心勃勃的事情，而且这既适用于你要建造什么，也适用于你如何建造。多数人真正的瓶颈不是模型不够强，而是没注意到 agent 已经能替自己做某件事。他列出自己的日常委托清单：让 agent 跑开发服务器并处理奇怪的环境问题；让 agent 用 curl 跑通 happy path；每次上线或切换功能开关时，让 agent 在变更前后轮询指标与日志（常常是每小时一次、持续一整天）；做完代码改动后，让 agent 开子 agent 去征求其他模型（他日常用 Claude Opus 5.5，也会问 GPT-6-Astra 与 Gemini Argon）的第二意见；每天早上六点定时让 agent 通读未读消息与日志、做初步调研，以便他起床后直接扫报告；让 agent 改善自己的配置（日志、指标、Slack MCP、技能）；以及让 agent 管理自己的会话蜘蛛网，清理或归档无活动会话。自我设限同样写明：他自己写消息与报告、自己做设计决策、自己审代码，二十条 agent 建议里常常只挑零到一条。收束的判断是：即便模型进步今天就停滞，仅靠学会更好地使用现有模型，未来一年仍会有巨大改进。

关键要点

• 核心技能是主动性：注意到 agent 能自动化某件事，而非等待模型变强
• 委托清单：跑开发服务器、用 curl 跑 happy path、上线前后轮询指标日志
• 多模型第二意见：日常用 Claude Opus 5.5，也征求 GPT-6-Astra 与 Gemini Argon
• 每天六点定时预处理未读消息与日志，起床后直接扫报告
• agent 可改善自身配置并管理自己的会话蜘蛛网
• 自我设限：自己写消息报告、做设计决策、审代码，二十条建议只挑零到一条
• 判断：即便模型进步停滞，用好现有模型仍可带来至少一年的改进

关键事实

事实：本文为作者的个人工作流记录，非对照实验；作者在 GitHub Copilot 工作并在文中披露了这一利益关联，文中提到的模型名称与版本均为作者当时的使用环境。

作者观点

作者的主张是：瓶颈在人的察觉而非模型的能力——很多看似需要亲手做的琐事，其实开口委托一次之后就再也不用亲手做了。

为什么重要

与昨日 Goedecke 篇形成姊妹篇：昨日讲练习需要时间，今日讲第一步是敢开口。对已经会用 agent 的读者，这篇的价值是一份可直接抄的委托清单；对尚未开始的读者，它的价值是把门槛从学习技巧降为改变习惯。

编辑点评

这篇的诚实之处在于自我设限写得同样具体：委托清单越长，保留给自己的判断清单就越要明确。敢委托与会挑剔是一体两面，缺了后者，前者只是外包责任。

深度摘要

Fowler 写的是读到 LLM 腔时的身体反应：读着读着会产生一种感觉，觉得自己在读 LLM 的输出，继续读下去的欲望随之萎缩，有时甚至到反感的程度。他对市面上的 LLM 检测工具持怀疑态度——不仅因为准确率，更因为这搞错了重点：对 LLM 腔的反应是人的反应，等到需要工具来判断时已经太晚了，哪怕工具自信地告诉你没有 LLM 参与。同时他也怀疑自己的识别能力：语言本来就在变化，把年轻人的表达方式误认作机器腔，可能是代际差异而非碳硅差异。给作者的建议很具体：尤其不要让 LLM 写初稿——即便经过人工编辑，LLM 腔也极难清除；接受改写建议同样危险；用 LLM 做提纲与结构或许可以，但正文必须自己写。他也承认自己见过一例例外：初稿完全由 LLM 完成，但经一家大刊的专业编辑清理后读不出 LLM 腔。例外同样写明：因帕金森病而必须借助 LLM 写作的老友、母语非英语的同事用 LLM 翻译、写给流程而非人看的公文与报告，以及未来只供 LLM 阅读的文档——但凡是想与人沟通，文字里的人味就必须透出来。收束的理由是写作即思考：常常只有把东西写下来，才能真正把困惑想清楚；把写作委托出去，也就把理解委托出去了。

关键要点

• LLM 腔是一种文字恐怖谷：读者在检测工具之前就感觉到了
• 不要让 LLM 写初稿：即便人工编辑，腔调也极难清除
• 接受改写建议同样危险；提纲与结构或可借助 LLM，正文须亲手写
• 作者自用的规则：只把 AI 当检索工具，且必回原始来源核实；用 AI 辅助写作须声明
• 例外：帕金森病友借助 LLM 写作、非母语者用 LLM 翻译、写给流程的公文
• 写作即思考：委托写作就是委托理解

关键事实

事实：本文为作者的个人观察与写作政策，非实证研究；所谓一例成功清除 LLM 腔的案例为作者的个人见闻，未具名；作者声明本文写作全程未使用 AI 或 LLM。

作者观点

Fowler 的立场是：避免 LLM 腔是一般规则而非绝对规则——人味是沟通的前提，但为克服疾病、语言障碍或应付流程而使用 LLM 是合理的代价。

为什么重要

当 AI 生成文本泛滥，文字的信任机制正在变化：读者对腔调的敏感会成为新的质量过滤器。对写作者而言，这篇把问题从会不会被检测出来，翻转为还想不想亲自思考。

编辑点评

与本期 Seangoedecke 篇构成直接张力：一个主张多委托，一个主张写作必须亲手。分界线不在任务清单，而在那段文字是不是思考本身——是，就亲手写；不是，才可以委托。