数学形式化证明长久以来被视为人工智能领域的一块公认的“硬骨头”——它要求模型不仅要理解自然语言，还必须精准驾驭形式化语言，写出滴水不漏的证明步骤。而Mistral AI的最新动作，给出了一个相当有创新性的解决方案。

他们正式发布的Leanstral 1.5，是一款专为数学形式化证明量身打造的模型，深度适配Lean4编程语言。一个关键细节是：模型总参数量达到1190亿（119B），但在实际推理过程中，仅动态激活其中的60亿（6B）参数。这意味着它在极低计算开销下，换来了相当扎实的定理证明能力，并且基于Apache-2.0许可证完全开源，大幅降低了技术门槛。

到底有多能打？来看几组关键评测数据。在miniF2F形式化数学基准的验证集和测试集上，它直接拿下了100%的命题完成率。而在包含672道Lean4编码题的PutnamBench数学竞赛基准中，它成功求解了587题。针对抽象代数方向的FATE系列评测，硕士级别的FATE-H任务完成率达到87%，博士级的FATE-X也有34%——两项指标都刷新了当前公开模型的最佳纪录。可以说，从难度梯度来看，这个模型几乎没有明显短板。

单题推理成本仅为同类产品约1%

更让人意外的，是它的成本控制能力。在PutnamBench数据集中，Leanstral 1.5平均每道题的推理开销仅4美元。相比之下，字节跳动的Seed-Prover 1.5要耗费超过300美元，而Aleph Prover也介于54到68美元之间。换句话说，在同等任务负载下，它的推理支出大约是竞品的1%。这个数字大幅降低了数学形式化验证落地的经济门槛，让更多研究机构和团队有机会尝试。

当然，光会做题还不够——真正的价值还得看落地应用。Leanstral 1.5在真实工程环境中的表现同样值得关注。它对57个开源代码库进行扫描后，识别出47处潜在违规属性，其中11项被确认为真实存在的代码缺陷，更有5个是此前从未在GitHub上披露过的新漏洞。从高难度数学竞赛题到复杂软件系统的可靠性验证，这个模型持续印证着一个趋势：模型参数量已不再是决定性能的唯一要素。精准、高效的参数激活机制，正成为推动AI推理走向工业级应用的核心突破口。