Mistral Large 4 API 上手指南：五分钟跑通第一次调用

Mistral Large 4 于 2026 年 10 月 6 日在 Mistral API 上线，比开放权重早了三周。想现在就试这个 1 万亿参数的“Le Chonk”，API 是唯一入口，而且目前也是最便宜的入口：公开预览期 Mistral 标价为每百万输入 token $0.68、每百万输出 token $2.09，是 $1.36 / $4.18 官方标价的一半。

本指南带你在五分钟左右完成第一次可用的调用，然后覆盖最容易踩坑的部分：推理块、图片输入、函数调用、JSON 输出和成本。每个请求都可以保存到 Apifox 里反复回放，方便你把 Large 4 和现在在用的模型做对比。

AI Coding 交流群

如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。

对模型本身还不熟？先读《Mistral Is Back: Le Chonk Beats GPT-6 Astra and Claude at Cyber》，了解基准成绩和 cyber 标题背后的注意事项。

准备工作

第 1 步：获取 API key

1. 登录 Mistral Studio（原 La Plateforme）。
2. 打开 API Keys，创建一个新 key。命名时写清它用在哪里，比如 local-dev 或 ci-staging。
3. 只复制这一次。Studio 不会再次显示它。
4. 在 shell 里导出：

export MISTRAL_API_KEY="your-key-here"

不要把 key 提交进版本库。如果要接入多个工具，《API key 管理最佳实践》讲了轮换和权限范围。

第 2 步：发出第一次调用

最快的验证方式是裸 curl：

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {"role": "user", "content": "Give me three edge cases to test on a pagination API."}
    ]
  }'

成功响应会在 choices[0].message.content 里返回答案，并带一个包含 prompt_tokens、completion_tokens 和 total_tokens 的 usage 块。返回 401 说明 key 错了或没导出；模型返回 404 通常是 model ID 打错了。

同样的调用，Python 版

import os
from mistralai import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-large-4",
    messages=[
        {"role": "user", "content": "Give me three edge cases to test on a pagination API."}
    ],
)

print(response.choices[0].message.content)

以及 TypeScript 版

import { Mistral } from "@mistralai/mistralai";

const client = new Mistral({ apiKey: process.env.MISTRAL_API_KEY });

const response = await client.chat.complete({
  model: "mistral-large-4",
  messages: [
    { role: "user", content: "Give me three edge cases to test on a pagination API." },
  ],
});

console.log(response.choices[0].message.content);

第 3 步：保存到 Apifox

一旦开始对比模型，手敲 curl 就累了。在 Apifox 里：

1. 新建 HTTP 请求：POST https://api.mistral.ai/v1/chat/completions。
2. 添加环境变量 MISTRAL_API_KEY，header 设为 Authorization: Bearer {{MISTRAL_API_KEY}}。
3. 粘贴第 2 步的 JSON body，点击发送。
4. 复制该请求，把 model 改成你现在用的模型（比如 mistral-medium-3-5），两个都跑一遍。

这样你就有了两个提示词相同的保存请求。Apifox 会分别显示响应体、状态码、耗时和大小，不用写脚本就能对比回答质量、延迟和 usage token 数。再加一条 choices[0].message.content 非空的后置断言，就得到了一个冒烟测试，Mistral 更新预览时随时重跑。

第 4 步：开与关推理

Large 4 是混合模型：同一个模型既能快答，也能逐步推理。用一个参数 reasoning_effort 控制：

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {"role": "user", "content": "Our API returns 200 with an empty body under load. List likely causes in order of probability."}
    ],
    "reasoning_effort": "high"
  }'

这是最容易弄坏解析器的地方。开 reasoning_effort: "high" 后，message.content 不再是字符串，而变成块列表：

• 一个 thinking 块装推理轨迹，
• 一个 text 块装最终答案。

所以 response.choices[0].message.content 打印出来是一个列表，不是你的答案。要显式取出 text 块：

response = client.chat.complete(
    model="mistral-large-4",
    messages=[{"role": "user", "content": "Why would a 200 response have an empty body?"}],
    reasoning_effort="high",
)

content = response.choices[0].message.content
if isinstance(content, str):
    answer = content
else:
    answer = "".join(c.text for c in content if c.type == "text")

print(answer)

思考 token 按输出 token 计费，"high" 每次请求都更贵。默认用 "none"，只给确实需要的调用开 "high"。

第 5 步：发送图片

Large 4 原生多模态，带 1.6B 参数的视觉编码器。把图片作为内容部分和文本一起传：

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "This is a screenshot of our API error dashboard. Which endpoint is failing most and what is the error code?"},
          {"type": "image_url", "image_url": "https://example.com/dashboard.png"}
        ]
      }
    ]
  }'

本地文件改用 base64 data URL："image_url": "data:image/png;base64,<encoded>"。Mistral 称 Large 4 在 Dense 200 视觉落地基准上得 42%，略高于 GPT-6 Astra 的 41%，所以仪表盘、图表和 UI 状态的截图是合理的用例。

第 6 步：函数调用

函数调用是 Large 4 的 agent 基准（AutomationBench 59.9%）真正派上用场的地方。你描述工具，模型决定何时调用，调用由你的代码执行。

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Look up the status of an order by its ID.",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string", "description": "The order ID, e.g. ORD-1042"}
                },
                "required": ["order_id"],
            },
        },
    }
]

messages = [{"role": "user", "content": "Where is order ORD-1042?"}]

response = client.chat.complete(
    model="mistral-large-4",
    messages=messages,
    tools=tools,
    tool_choice="auto",
)

tool_call = response.choices[0].message.tool_calls[0]
print(tool_call.function.name, tool_call.function.arguments)

函数由你自己执行，然后把结果连同对应的 tool_call_id 发回去：

import json

result = {"order_id": "ORD-1042", "status": "shipped", "eta": "2026-10-09"}

messages.append(response.choices[0].message)
messages.append({
    "role": "tool",
    "name": "get_order_status",
    "content": json.dumps(result),
    "tool_call_id": tool_call.id,
})

final = client.chat.complete(model="mistral-large-4", messages=messages, tools=tools)
print(final.choices[0].message.content)

工具 schema 就是普通 JSON Schema。如果你的 API 本来就有 OpenAPI 定义，可以把每个 operation 的请求 schema 直接搬进 parameters。先在 Apifox 里设计接口定义，工具定义和真实 API 就能保持同步。

第 7 步：拿到 JSON 输出

需要机器可读输出时，设置 response_format：

curl https://api.mistral.ai/v1/chat/completions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistral-large-4",
    "messages": [
      {"role": "user", "content": "Extract method, path and status code from: GET /v1/users/42 returned 404. Reply in JSON."}
    ],
    "response_format": {"type": "json_object"}
  }'

除了 response_format，提示词里也要提到 JSON。要严格形状的话，Mistral 还支持带完整 schema 的 {"type": "json_schema", "json_schema": {...}}。在 Apifox 里给响应加一条 JSON Schema 断言，形状一漂移就大声报错，而不是悄悄弄坏下游服务。

价格

算笔账：一个每天调用 1 万次的 agent，每次 3000 输入 token（大头是缓存的系统提示词和工具）加 500 输出 token。

• 输入：3000 万 token。若每 3000 里有 2500 命中缓存，就是 2500 万按 $0.07、500 万按 $0.68，约 $5.15/天。
• 输出：500 万 token 按 $2.09，约 $10.45/天。
• 合计：按预览价约 $15.60/天，按标价约 $31。

同样的负载放到 GPT-6 Astra（每百万 $10 / $50，缓存折扣前）每天要几百美元。Mistral 没说预览价什么时候结束，做预算请按标价来。

常见错误

常见问题

Mistral Large 4 兼容 OpenAI 格式吗？请求形状非常接近：model、messages、tools、tool_choice 和 response_format 都按你预期的方式工作。稳妥起见用 Mistral 官方 SDK 或裸 HTTP。推理输出用的是 Mistral 自己的块格式。

什么时候能本地跑？Mistral 说权重在 2026 年 10 月底前发布。总参数 1.05T，需要多 GPU 服务器。在那之前，《本地运行 Mistral 3 指南》介绍了较小模型的工具链。

预览版稳定到能上生产吗？还不能。模型标记为 public preview，权重发布前可能变动。把测试固定住，Mistral 更新模型时重跑，并配置一个兜底模型。

现有 Mistral 代码能直接用 Large 4 吗？能。base URL、auth、SDK 都不变，把 model 字符串改成 mistral-large-4 即可。从 Medium 3.5 过来的话，《Mistral Medium 3.5 API 指南》讲了哪些部分可以直接沿用。

小结

五分钟就能跑通第一次调用。接下来这一小时，更值得把你的真实提示词在 Large 4 和现有模型上并排跑。把两个请求都保存进 Apifox，加上状态码和响应形状的断言，一天之内你就能知道 Le Chonk 值不值得进你的技术栈——趁预览价还在打五折。

开发必备：API 全流程管理神器 Apifox

介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。

如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。

值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。

获取专属报价与部署方案

详细的私有化部署系统架构与安全白皮书

针对您公司规模的专属报价单

免费的 1v1 专属产品演示 (Demo) 机会

获取部署方案

* 提交后，我们的客户经理将在 1 个工作日内与您联系

林俊锋 企业微信

@Apifox 专属顾问

扫码备注: 私有化 + 公司名