三合一的设计思路
Mistral Small 4 的核心卖点是整合：此前 Mistral 维护了三个专项模型——Magistral（推理）、Pixtral（多模态视觉）、Devstral（Agentic 编程）。Small 4 把这三种能力收进一个模型。
对应用开发者来说，意味着不再需要根据任务类型在模型间路由：同一个模型处理文本推理、图文理解和代码生成。
技术架构
Mistral Small 4 采用 Mixture of Experts（MoE）架构：
- 总参数：119B
- 专家数量：128 个，每次推理激活 4 个
- 活跃参数：每 token 约 6B（含 Embedding 层约 8B）
- 上下文窗口：256k tokens
- 原生多模态：同时处理文本和图片输入
模型支持 reasoning_effort 参数，允许在调用时指定推理深度——快速模式减少计算开销，深度模式启用更多推理链路。
性能基准
在延迟优化配置下，与上一代相比：
- 端到端完成时间减少 40%
- 每秒请求吞吐量提升 3x
学术基准方面，Small 4 在三项评测上与 GPT-OSS 120B 持平或超越，但输出 token 数更少。在 LiveCodeBench（代码生成评测）上明确超过 GPT-OSS 120B，同时减少 20% 的输出 token——直接降低推理成本。
开源与部署
Mistral Small 4 以 Apache 2.0 开源，这意味着可以商业使用、修改和分发：
- Mistral API / AI Studio：直接调用
- HuggingFace：模型权重下载
- NVIDIA NIMs：容器化推理部署
- NVIDIA build.nvidia.com：免费原型测试
最低部署配置：4× NVIDIA HGX H100，或 2× HGX H200，或 1× DGX B200。
定位
Mistral 将 Small 4 定位于三类场景：
- 代码自动化：利用 Devstral 的编程能力，适合 Agentic 编码任务
- 企业文档理解：多模态能力处理图文混合文档，支持客服系统
- 复杂推理：数学、逻辑分析任务
开源 + Apache 2.0 + 多模态 + 可配置推理深度，这个组合在当前开源模型生态里定位清晰：在不需要最大规模模型的场景下，提供接近闭源旗舰的综合能力。