Mistral Large 4：可证伪点是「同等困惑度下的长程代理差距」，不是参数量口号

代理编码与网络安全任务要求模型在长上下文里保持远程依赖，而服务端 KV 成本逼着架构师堆叠记忆节省技巧。Mistral Large 4 的报告把故事写成：先省内存，再发现「看起来不错的语言建模指标」低估了长程代理表现，然后做手术恢复长程注意力，最后用稀疏注意力把成本压回去。

可证伪读法：若独立复现中，相近困惑度/MMLU 类分数的注意力变体在 SWE-bench 类长程任务上不再系统性分化，或全规模 YOCO/DSA 消融无法支撑文中关于「代理罚分」的因果叙述，则应下调「架构选择在同等 LM loss 下显著决定长程代理能力」的权重。

硬事实（alphaXiv 技术报告页 / 摘要与概述，提交 2026-11-03）：

• 规模与基准：52B 激活、1T 总参多模态 MoE；报告表：FrontierCode 2.0 19.7%，Terminal-Bench 4.0 41%，Artificial Analysis Cyber Index 50.9%。
• 早期记忆栈：ragged MHLA（每四层全注意力、其余 512-token 滑动窗）+ CLA（复用前置全注意力层 KV）+ YOCO（后半全局层复用前半 KV）；相对全注意力基线 KV 约减 16×；YOCO 两阶段 prefill 在 1M 上下文约 1.7× 更快。早期预训练/后训练常见评测影响可接受，后续 SFT 上长程代理偏弱。
• 图 5：预训练期 MMLU Redux 与 monorepo 困惑度跨变体较贴合；中训后 SWE-bench Verified 对验证困惑度在相近点上散开——作者称架构在相近 LM loss 下仍带来代理罚分；知识类评测未见同样缺口。
• 手术与 DSA：去掉滑动窗限制与 CLA；全规模保留 YOCO（较大测试尺度手术+中训倾向保留，但未能重跑完整 phase-2+中训日程）。DSA：索引器每查询取 top 2048 key；约 15.1B token 冻结主模型蒸馏热身，再联合稀疏训练约 198B token。稀疏阶段被表述为降长上下文注意力成本，而非相对全注意力的已证代理增益。
• 服务：校准混合精度 NVFP4 检查点 606 GB，称匹配 FP8 评测，可在 四张 GB300 上部署；优化 decode 上下文并行与 DSpark 投机解码分别在 8 并发下相对基线提升交互性约 51%/90%（服务吞吐，非生成 token 减少）。

证据强度：一手技术报告 + 具名基准分数 + 受控尺度消融与图示。19.7%/41%/50.9% 是最终模型表上分数，报告本身未把增益归因于 DSA；图 5 是注意力变体比较，显示困惑度/知识分漏掉了代理维度，而非证明注意力是唯一因果。YOCO 保留是「本模型合格选择」，作者承认全规模恢复日程受限。

钢人论证：若服务内存硬约束逼出堆叠省 KV 技巧，而常规 LM/知识指标对长程工具使用不敏感，用 SWE-bench 类任务做架构方向盘，比只盯 perplexity 更贴近产品失败模式；DSA 作为恢复全注意力后的成本回填，逻辑自洽。

最强钢人：长程代理确实可能在「看起来差不多」的 loss 曲线下分化；把可执行环境合成流水线（种子→廉价检查→代理验证→难度校准）与架构手术放在同一报告里，是在承认数据与注意力同等关键。

钢人风险：消融多在有限算力尺度；全规模 YOCO 恢复日程不完整；最终分数增益未归因 DSA；合成任务流水线作者自承代理仍会犯错、部分域需事后过滤——外部复现成本高。

对开源与推理服务团队，观察点是：独立注意力消融是否再现「同等困惑度、不同 SWE-bench」；NVFP4 606 GB / 4×GB300 声明在第三方负载下的匹配度；DSA indexer 热身与联合训练日程是否可公开复现。在这些齐备前，宜把报告读成架构决策日志与服务配方，而非单一排行榜结论。

六个月尺度上，真正可证伪的是：长程代理评测是否成为架构默认闸门，以及稀疏注意力是否只能当效率补丁而不能替代代理测量。若第三方在公开协议上复现「loss 相近、代理分发散」与 NVFP4 服务声明，ML4 的叙事才站得住；若只剩基准表与 OG 图，它更接近发布配套说明。

【No.2】