Sådan kommer du i gang med Forge
På denne side
Opdatering 2. november 2026 — Le Chat er nu Vibe. Fra den 28. maj 2026 er Le Chat blevet omdøbt til Vibe (stadig på chat.mistral.ai): en enkelt agent til arbejde og kode, der viderefører dine samtaler, indstillinger og abonnementer. Den tidligere Le Chat-oplevelse forbliver tilgængelig i Chat-tilstand. I Work-tilstand er agenter nu færdigheder (kaldes med
@), minder udgør vidensbasen, og dyb research er færdigheden Deep Research. Abonnementerne hedder nu Mistral Free, Pro, Team og Enterprise. Denne lektion bruger navnet Vibe; nogle menuer beskrevet her kan have ændret navn eller placering.
Et projekt i fire faser
At lancere et Forge-projekt kræver planlægning. Det stiller krav om grundig forberedelse, tæt samarbejde med Mistral-teams og en klar vision for dine mål. Hver fase lægger grundstenen til den næste: uklar afgrænsning fører til dårligt datavalg, dårlige data giver en skuffende model, og du opdager først problemet tre måneder senere.
Fase 1 — Vurdering og afgrænsning
Identificér først de scenarier, hvor finjustering skaber mere værdi end en basismodel eller RAG. I praksis falder kandidaterne i fire tilbagevendende kategorier. Start med gentagne opgaver, der kræver dyb ekspertise – teknisk diagnosticering, compliance-analyse, specialiserede kodegennemgange – hvor modellen skal efterligne ekspertresonnement frem for at hente et dokument. Dernæst kommer standardiserede kundeinteraktioner: support i niveau 1–2, svar på udbudsmateriale (RFP), sektorrapporter, hvor tone og struktur følger dine etablerede konventioner. Så kommer specifikke forretningsprocesser, såsom risikovurdering ud fra dine interne kriterier eller dokumentklassificering ved hjælp af din taksonomi. Endelig gælder regulatorisk compliance, når du skal producere dokumenter, der overholder sektorspecifikke standarder, som en generisk model ikke kender i detaljen.
Vurdér derefter din datamodenhed, som direkte bestemmer modelkvaliteten. Start med volumen: verificér, at du har nok høj kvalitetseksempler – typisk flere tusinde til effektiv finjustering. Undersøg derefter selve kvaliteten: er eksemplerne pålidelige, ajourførte og repræsentative for din ekspertise? Tjek derefter diversiteten: dækker de hele spektret af scenarier, som modellen skal håndtere? Gennemgå til sidst formatet: er de allerede strukturerede, eller kræver de forberedelse? Fasen afsluttes med et møde mellem dit team og Mistrals kommercielle og tekniske teams: præsentér dine mål, drøft use cases, bekræft teknisk gennemførlighed, estimér omfang og tidsplan, og modtag et kommercielt tilbud.
Fase 2 — Dataforberedelse
Forward-Deployed Engineers opbygger træningssættet sammen med dine teams. Uddragning henter data fra dine kildesystemer – vidensbaser, sagshistorik, teknisk dokumentation, kundeudvekslinger. Rensning fjerner dubletter, retter fejl og anonymiserer personoplysninger. Formatering transformerer alt til instruktion/svar-par egnet til finjustering. Validering overdrager datasættet til dine fageksperter, der verificerer eksempelkvalitet og relevans. Dette er det mest undervurderede trin: et ikke-valideret datasæt lærer modellen dine tilnærmelser sammen med dine bedste praksisser.
Et separat evalueringssæt kører parallelt: forretningsbenchmarks – spørgsmål og svar valideret af dine eksperter – og kanttilfælde, komplekse eller tvetydige scenarier designet til at teste robusthed. Du stiller de samme spørgsmål til både basismodellen og den tilpassede model og sammenligner dem derefter mod eksplicitte metrikker: nøjagtighed, relevans og overholdelse af din interne tone og proces. Gennem hele denne fase flytter data over krypterede kanaler, opbevares i et isoleret miljø dedikeret til din organisation, er kun tilgængelige for Mistral-ingeniører tilknyttet projektet og er dækket af en specifik fortrolighedsaftale.
Fase 3 — Modeltræning
Valg af basismodel afhænger af use casen: Mistral Large til komplekse opgaver, der kræver avanceret ræsonnement, Mistral Medium til den bedste balance mellem ydeevne og omkostninger i de fleste situationer, og specialiserede modeller optimeret til kode, flersprogede opgaver eller andre domæner.
Træningen kører på Mistrals GPU-infrastruktur i Europa. Ingeniører konfigurerer hyperparametre, lancerer overvåget træning på dine data, overvåger konvergens i realtid og kører flere iterationer. Varigheden spænder fra få timer til flere dage, afhængigt af datavolumen og basismodellens størrelse. Efter hver cyklus evalueres modellen på testsættet – sammenlignet med basismodellen, med analyse af fejl og kanttilfælde, justering af data om nødvendigt og validering af dine fageksperter – indtil den opfylder de ydelsesmål, der blev defineret under afgrænsningen.
Fase 4 — Produktionsudrulning
Udrul den tilpassede model i henhold til din infrastruktur og compliance-krav.
| Mulighed | Hvad det indebærer |
|---|---|
| Mistral Cloud | Hostet på Mistral-infrastruktur, tilgængelig via Mistral Enterprise og API’et. Hurtigst at udrulle. |
| Dedikeret VPC | Komplet netværksisolering i en privat cloud. Anbefales til regulerede sektorer (finans, sundhed). |
| On-premise | På dine egne servere: fuld kontrol, ingen data forlader din virksomhed. Kræver egnet GPU-infrastruktur. |
| Partner Cloud | Azure, AWS eller GCP via eksisterende integrationer. Ideelt, hvis dit cloud-miljø allerede er på plads. |
Integrationen følger derefter flere komplementære veje: Mistral Enterprise, hvor modellen bliver tilgængelig i det konversationelle interface; REST API’et, til at kalde den fra dine applikationer, workflows og forretningsværktøjer; Python- og JavaScript-SDK’er til programmatisk integration; og webhooks, der udløser modellen ved forretningsbegivenheder. Udrulningen markerer ikke projektets afslutning. Kontinuerlig overvågning sporer latens, nøjagtighed og brugertilfredshed, opdager drift, udløser alarmer ved forringelse og planlægger opdateringer og gen-træning.
Typisk tidsplan
| Periode | Trin |
|---|---|
| Uge 1–2 | Vurdering og afgrænsning |
| Uge 3–6 | Dataforberedelse |
| Uge 7–10 | Træning og evaluering (iterativt) |
| Uge 11–14 | Udrulning og integration |
| Herefter | Overvågning, optimering og opdateringer |
Den samlede varighed spænder fra 3 til 6 måneder, afhængigt af use case-kompleksitet og datamodenhed. Hvis du starter med spredte, ikke-validerede data, udvides fase 2 – aldrig træningsfasen.
Vigtige pointer
- Forge-processen følger fire faser: vurdering, data, træning, udrulning
- Kvaliteten af træningsdata bestemmer modelydelsen
- Forward-Deployed Engineers guider hvert skridt i projektet
- Udrulningsmuligheder inkluderer Mistral Cloud, VPC, on-premise eller partner-cloud
- Et typisk projekt tager 3 til 6 måneder fra vurdering til produktion