歐洲黑馬Mistral Medium 3來了！跑分對標最強Claude，實測大翻車
就在剛剛， Mistral AI發布了他們最新多模態模型Mistral Medium 3。
Mistral興奮地宣稱Mistral Medium 3的性能接近甚至達到了Claude Sonnet 3.7的水平，但成本卻比DeepSeek V3還低。
性價比拉滿！
在Mistral官方的博客中，列出了Mistral Medium 3的核心亮點：
1. Mistral Medium 3平衡了：
- 頂尖性能
- 成本降低至原來的八分之一
- 更易于部署，從而加速企業應用
2. 模型在代碼編寫和多模態理解等專業應用場景中表現出色。
3. 模型提供一系列企業功能，包括：
- 支持混合云部署、本地部署以及在VPC內部署
- 定制化后訓練
- 集成到企業工具和系統中
Mistral Medium 3 API，現已在Mistral La Plateforme和Amazon Sagemaker上線，并將很快登陸IBM WatsonX、NVIDIA NIM、Azure AI Foundry和Google Cloud Vertex。
完美平衡
Mistral Medium 3在提供前沿性能的同時，成本卻降低了一個數量級。
例如，在各項基準測試中，Mistral Medium 3的性能達到甚至超過了Claude Sonnet 3.7的90%，但成本卻顯著降低（每百萬Token的輸入成本為0.4美元，輸出成本為2美元）。
Mistral Medium 3的性能也超越了領先的開源模型，如Llama 4 Maverick和Cohere Command A等企業模型。
無論是API還是自主部署，Mistral Medium 3的成本都要比DeepSeek V3還低。
此外，Mistral Medium 3還可以部署在任何云上，包括四個GPU及以上的自托管環境。
頂級性能
Mistral表示，Mistral Medium 3的目標是成為一款性能頂尖的模型，尤其是在編碼和STEM任務中表現突出，性能直逼那些規模更大、速度更慢的競爭對手。
從Mistral給出的表中可以看出Mistral Medium 3性能已經基本上超越Llama 4 Maverick和GPT-4o，接近Claude Sonnet 3.7以及DeepSeek 3.1的水平。
人工評估結果
除了學術基準之外，Mistral還公布了第三方人工評估，后者更能代表真實世界的用例。
可以看到，Mistral Medium 3在編碼領域表現出色，并且在各個方面都比其他競爭對手提供了更好的性能。
專為企業級應用打造
Mistral Medium 3在適應企業環境的能力方面優于其他SOTA模型。
在企業面臨通過API進行微調，或從零開始自部署并定制模型行為的艱難選擇時，Mistral Medium 3提供了一條將智能全面集成到企業系統中的途徑。
Mistral還推出了由Mistral Medium 3模型驅動的Le Chat Enterprise，一款面向企業的聊天機器人服務。
它提供了一個AI智能體構建工具，并將Mistral的模型與Gmail、Google Drive和SharePoint等第三方服務整合。
這就可以解決企業面臨的AI挑戰，如工具碎片化、不安全的知識集成、僵化的模型以及緩慢的投資回報率等，為所有組織工作提供統一的AI平臺。
Le Chat Enterprise很快將支持MCP協議，這是Anthropic提出的連接AI與數據系統和軟件的標準。
One more thing…
Mistral還在博客中透露，雖然Mistral Small和Mistral Medium都已經發布，但在未來幾周內，他們有一個「大」計劃，也就是Mistral Large。
他們表示剛發布的Mistral Medium性能已經遠勝Llama 4 Maverick等頂尖開源模型，Mistral Large的性能更加值得期待。
網友實測：就這？
號稱超越Claude Sonnet 3.7的90%，Medium 3果然有這么強嗎？
媒體和網友們立刻展開了實測。
在基于《紐約時報》Connections欄目詞匯分類題的評測中，Medium 3處于倒數的位置，幾乎找不到它。
在全新的100題測評中，它在前排模型中也排不上號。
有人測試Medium 3后表示，它的寫作能力還是老樣子，沒啥進步。不過在LLM評測中，它倒是處在帕累托前沿。
而Zhu Liang測試后發現，模型在代碼編寫和文本生成方面表現都很扎實，在這兩項評測中都躋身前五。
在簡單編碼任務（Next.js TODO應用）中：
- 它生成了簡潔明了的回復
- 評分和Gemini 2.5 Pro、Claude 3.5 Sonnet差不多
- 遜于DeepSeek V3 (新) 和GPT-4.1
在復雜編碼任務（基準測試可視化）中：
- 產生的平均結果與Gemini 2.5 Pro和DeepSeek V3（新）相似
- 不如GPT-4.1、o3和Claude 3.7 Sonnet
在寫作上：
- 它的內容覆蓋了大部分要點，但格式不正確
- 評分與DeepSeek V3 (新) 和Claude 3.7 Sonnet相近
- 不如GPT-4.1和Gemini 2.5 Pro
知名大佬「karminski-牙醫」實測后發現，它的性能并不像官方吹得那么強。
建議我們不必下載，浪費流量和硬盤空間了。
