Mistral Large 4 API 指南：首次调用、推理控制、函数调用与成本核算

Mistral Large 4 于 2026 年 10 月 6 日上线 Mistral API，比开放权重的发布提前了三周。如果你想现在就试用这个 1 万亿参数的“Le Chonk”，API 是唯一的入口，而且眼下也是最便宜的入口：在公开预览期间，Mistral 把它标为 每百万输入 token $0.68、每百万输出 token $2.09，是 $1.36 / $4.18 标价的一半。

本文用大约五分钟带你从零跑通第一次调用，然后覆盖那些容易踩坑的部分：推理分块、图像输入、函数调用、JSON 输出和成本。每个请求都可以在 Apifox 中保存并反复重放，方便你把 Large 4 和当前在用的模型做对比。

初次接触这个模型？可以先读《Mistral 回来了：Le Chonk 在网络安全上胜过 GPT-6 Astra 和 Claude》，了解基准数据以及网络安全那条头条背后的前提。

准备工作

第 1 步：获取 API key

1. 登录 Mistral Studio（原 La Plateforme）。
2. 打开 API Keys 并新建一个 key。给它起个能说明用途的名字，比如 local-dev 或 ci-staging。
3. 立刻复制，Studio 不会再显示第二次。
4. 在 shell 中导出：

export MISTRAL_API_KEY="your-key-here"

不要把 key 提交进代码库。如果你要把它接入多个工具，我们的《API key 管理最佳实践》讲解了轮换和权限收窄。

第 2 步：发起第一次调用

最快的验证方式是直接用 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."}
    ]
  }'

调用成功时，choices[0].message.content 中返回答案，同时还有一个 usage 块，包含 prompt_tokens、completion_tokens 和 total_tokens。如果返回 401，说明 key 有误或没有导出；模型上的 404 通常是模型 ID 拼写错误。

Python 版本

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)

TypeScript 版本

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：在 Apifox 中保存它

一旦开始对比模型，手打 curl 命令很快就会让人厌烦。在 Apifox 中：

1. 新建 HTTP 请求：POST https://api.mistral.ai/v1/chat/completions。
2. 添加环境变量 MISTRAL_API_KEY，并设置 header 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 改成你今天在用的模型（例如 mistral-medium-3-5），两个都跑一遍。

现在你有两个使用同一 prompt 的已保存请求。Apifox 会分别展示响应体、状态码、耗时和大小，因此不必写脚本就能对比回答质量、延迟和 usage token 数。再加一条后置操作断言，校验 choices[0].message.content 非空，你就得到了一个随时可重跑的冒烟测试，Mistral 每次更新预览版都能用。

第 4 步：开启和关闭推理

Large 4 是一个混合模型：同一个模型既能给快速回答，也能做逐步推理。你通过一个参数 reasoning_effort 来控制它：

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"
  }'

这里正是会写崩解析器的地方。当 reasoning_effort: "high" 时，message.content 不再是字符串，而是变成一组分块：

• 一个 thinking 分块，承载推理过程；
• 一个 text 分块，承载最终答案。

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

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)

Thinking token 按输出 token 计费，因此 "high" 的单次成本更高。默认用 "none"，只在确实需要的调用上切到 "high"。

第 5 步：发送图像

Large 4 原生支持多模态，配有 1.6B 参数的视觉编码器。把图像作为 content 的一部分，和文本一起传入：

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"}
        ]
      }
    ]
  }'

本地文件则改传 base64 data URL："image_url": "data:image/png;base64,<encoded>"。Mistral 称 Large 4 在 Dense 200 视觉接地基准上得分 42%，略高于 GPT-6 Astra 的 41%，因此处理仪表盘截图、图表和 UI 状态是合理的用法。

第 6 步：函数调用

函数调用正是 Large 4 那些 agent 基准成绩（AutomationBench 59.9%）发挥作用的地方。你描述工具，模型决定何时调用，你的代码负责执行。

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)

你自己执行这个函数，然后带着匹配的 tool_call_id 把结果回传：

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 就是普通的 JSON Schema。如果你的 API 已经有 OpenAPI 规范，可以直接把每个操作的请求 schema 搬进 parameters。先在 Apifox 中设计规范，能让工具定义和真实 API 保持同步。

第 7 步：获取 JSON 返回

需要机器可读的输出时，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，也要在 prompt 里提到 JSON。对于严格的形状，Mistral 还支持带完整 schema 的 {"type": "json_schema", "json_schema": {...}}。在 Apifox 中，为响应添加一条 JSON Schema 断言，这样形状漂移会直接报错，而不是破坏下游服务。

费用

一个算例：某 agent 每天调用 10,000 次，每次 3,000 输入 token（大部分是缓存后的系统 prompt 和工具定义）和 500 输出 token。

• 输入：30M token。如果每 3,000 中有 2,500 是缓存命中，就是 25M 缓存按 $0.07、5M 新输入按 $0.68，约 $5.15/天。
• 输出：5M token 按 $2.09，约 $10.45/天。
• 合计：按预览价约 $15.60/天，按标价约 $31。

同样的负载放在 GPT-6 Astra 上（$10 / $50 每百万，未计缓存折扣）每天要花几百美元。Mistral 没有说明预览价何时结束，因此做预算时请按标价计算。

常见错误

常见问题

Mistral Large 4 兼容 OpenAI 吗？ 请求结构非常接近：model、messages、tools、tool_choice 和 response_format 的用法都符合预期。稳妥起见请使用 Mistral 官方 SDK 或纯 HTTP。推理输出用的是 Mistral 自己的分块格式。

什么时候可以在本地运行？ Mistral 称权重将在 2026 年 10 月底前放出。以 1.05T 总参数来看，它需要多 GPU 服务器硬件。在那之前，小模型可以参照我们的《本地运行 Mistral 3》指南准备工具链。

预览版稳定到可以上生产了吗？ 还不行。该模型标注为公开预览，在权重发布前仍可能变化。请固定你的测试，Mistral 更新模型时重跑，并保留一个备用模型配置。

可以在现有 Mistral 代码里使用 Large 4 吗？ 可以。相同的 base URL、相同的鉴权、相同的 SDK，只需把 model 字符串改成 mistral-large-4。如果你是从 Medium 3.5 迁移，可参阅我们的《Mistral Medium 3.5 API 指南》了解哪些部分可以直接沿用。

小结

五分钟就能跑通一次调用。接下来的一小时更值得花在把真实 prompt 同时打到 Large 4 和当前模型上做并排对比。把两个请求都保存到 Apifox 中，为状态码和响应结构添加断言，一天之内你就能判断 Le Chonk 是否值得进入你的技术栈——趁预览价还打五折。

HiFox：将 Agent 变成真正的队友

另外，我们也在思考，AI 如何从个人提效走进团队协作。

HiFox 是一个让人和 AI Agent 在同一个工作现场协作的平台：你可以像给同事分派任务一样指派 Agent，在任务看板中跟踪进度、查看结果，让 Agent 成为团队里的队友。

👉 立即体验 HiFox：https://hifox.com

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。