Mistral Large 4开源万亿参数模型，Kimi接入Google办公三件套

Mistral Large 4：万亿参数，开源阵营再添一个标杆

本周模型圈最大的动静来自Mistral AI。Mistral Large 4（代号Le Chonk）的权重已正式开放。这不是只给看评测、不给摸模型的“半开源”，模型已经实打实放上了Hugging Face。

体量相当惊人：总参数量1.05万亿，推理时只激活520亿参数。稀疏混合专家（MoE）架构这么设计，图的是性能够强、运行成本又能压住。上下文窗口支持100万Token，一次读完几百本技术手册或代码库再从中提取关键信息，不在话下。

Mistral这次没把重点放在通用聊天上，而是死磕编码和网络安全两个垂直领域，在FrontierCode等基准测试中表现相当亮眼。对开发者来说，这意味着本地部署一个能理解复杂项目结构、甚至能辅助扫描安全漏洞的大模型成为可能。综合评测上它或许还没完全追上某些闭源顶尖模型，但在开源阵营里，这绝对是一个新标杆。

Mistral选在这个时间点完全开放权重，某种程度上是在回应社区对“黑盒模型”的担忧。模型越来越强，透明度就成了信任的基础。开发者现在可以拿着这个万亿参数模型按自己的需求微调，比如专门训练它识别某种特定的代码规范，或者增强对特定网络攻击模式的防御能力。

Kimi接入Google全家桶，办公自动化更进一步

如果说Mistral是在底层基础设施上发力，那Kimi的动作更贴近普通用户的日常workflow。月之暗面宣布，Kimi现在可以直接连接Gmail、Google Drive和Google Calendar。

这个功能听起来不新鲜，很多AI助手都宣称能集成各种应用，关键在于“怎么连”和“能做什么”。Kimi走的是标准OAuth授权机制，用户要手动登录Google账号完成授权。这比直接输入账号密码安全得多，权限也可控——只让它读邮件、不让它删文件，完全可以。

日常使用中，冗长的邮件往来交给它整理就行。一早醒来看到几十封没读的邮件，Kimi 能很快把每封信最要紧的诉求和待办提取出来。在 Google Drive 里找文件也可以直接用自然语言说，例如“找一下上周关于Q3预算的Excel表格”，它既能定位文件，也能读里面的内容并回答相关问题。日程安排上，它会结合你的邮件内容和空档时间，主动建议往 Calendar 里加会议邀请。

这种集成意味着AI助手正从“问答机器人”转向“个人代理（Personal Agent）”。它不再只被动回答问题，而是开始介入具体工作流程，替用户执行一些重复性操作。隐私问题依然是用户最关心的。Kimi强调所有数据处理都在安全框架下进行，但对企业的用户来说，效率与数据合规怎么平衡，仍需仔细评估。

本地推理体验升级：LM Studio与oMLX

喜欢在本地跑模型的用户，特别是Mac用户，LM Studio的最新更新是个好消息：它现在原生支持oMLX引擎。

oMLX 这个推理后端是冲着 Apple Silicon 芯片做专门优化的。在这之前，想在某些 MLX 格式模型上让 Mac 跑得高效，多少得懂点命令行操作。如今 LM Studio 把这层复杂的东西包了起来，用户只要在软件里把对应引擎下载下来，就能直接加载、运行手上已有的 MLX 模型。

变化落在哪？本地大模型的门槛被拉低了。过去不少人卡在环境配置太麻烦，索性不做本地部署。眼下有了图形化界面，再加上优化过的后端，在 MacBook 上跑 7B 或 13B 参数的模型，装个普通 App 差不多就是那个感觉。对看重隐私、或者得在断网环境里用 AI 的开发者和研究者来说，体验上的改善相当明显。

Hugging Face与IBM：基础设施与运维创新

除了头部模型厂商，基础设施层的进展同样值得关注。

Hugging Face 本周带来两个面向 Apple 平台的新模型，AnySpeechRecognizer 和 AnyDecisionModel。前一个做语音识别，开放可用；后一个主攻决策制定。两个模型都强调“可控性”和“本地部署”，这是它们的共同点。开发者可以拿它们在移动端或边缘设备上搭不联网也能用的语音交互应用，或者做依靠本地数据实时决策的智能体。对数据隐私敏感的应用场景，这算多了些新的技术选择。

另一头，IBM 的 Granite 团队放出了 Granite Switch 4.1.1。这个版本提的想法挺有意思：模型更新可以像更新软件那样做。以往大模型要更新，通常得重新训练或者大规模微调，周期长，花费也高。Granite Switch 想走模块化的路子，让模型里某些组件能单独迭代、单独替换。落到生产环境里，修一个 bug 或者加一项新功能，也许不用把整个模型重新部署一遍，运维的复杂度因此能降下来不少。

科学研究的AI化趋势

最后，看看AI在科学研究领域的渗透。

Hugging Face 启动了 Project ProtoStar，目标是把公共资助的科研成果转成 AI 能用的数据和基础设施。科学研究产出的数据有不少格式杂乱，机器不好读，ProtoStar 要做的是把这些数据梳理出来，让它们更容易被访问、被重复利用。这对加快科学发现有不小的分量，毕竟 AI 模型得靠高质量、结构化的数据才能把作用发挥到位。

Anthropic 也把「AI for Science」计划的范围铺得更开了。这个计划原先只服务内部团队，如今开始面向领先的科学基金会、研究机构和学术团体开放。Anthropic 会给出 Claude 模型的访问权限和技术支持，帮科学家用 AI 处理复杂的实验数据、模拟分子结构，或者分析天文观测结果。从一支团队自己用的内部工具，到服务整个科学社区的公共平台，这个转变说明 AI 正在变成基础科学研究离不开的基础设施。

蚂蚁百灵开源的 Ling-3.1-flash-1019 模型同样体现了这股势头。它针对 Personal Agent 执行真实任务做了专门优化，给智能体的开发和评测添了一个新的开源选项。专用模型不断冒出来，往后针对特定科学领域或专业任务做过优化的 AI 工具可能会更多，不再只是通用的聊天机器人。

放到本周来看，这些动向指向的方向挺清楚：模型一边变得更大、更专业，一边也更好用、更透明。万亿参数的开源模型、扎进办公场景的 AI 助手、面向科学研究的专用基础设施，AI 技术正从「炫技」转向「实用」，真正进到开发者和用户的工作流里。