Einführung in Forge

Update vom 2. November 2026 — Le Chat ist nun Vibe. Seit dem 28. Mai 2026 wurde Le Chat in Vibe umbenannt (nach wie vor unter chat.mistral.ai): ein einzelner Agent für Arbeit und Code, der Ihre Gespräche, Einstellungen und Abonnements übernimmt. Die klassische Le Chat-Erfahrung bleibt im Chat-Modus verfügbar. Im Work-Modus sind Agenten nun Fähigkeiten (über @ aufgerufen), Erinnerungen bilden die Wissensbasis und die tiefe Recherche ist die Fähigkeit Deep Research. Die Pläne werden nun Mistral Free, Pro, Team und Enterprise genannt. Diese Lektion verwendet den Namen Vibe; einige hier beschriebene Menüs können sich in Namen oder Position geändert haben.

Ein vierphasiges Projekt

Das Starten eines Forge-Projekts erfordert Planung. Es verlangt eine rigorose Vorbereitung, enge Zusammenarbeit mit den Mistral-Teams und eine klare Vision Ihrer Ziele. Jede Phase bereitet die nächste vor: vage Abgrenzungen führen zu einer schlechten Datenauswahl, schlechte Daten liefern ein enttäuschendes Modell, und Sie werden das Problem erst drei Monate später entdecken.

Phase 1 — Bewertung und Abgrenzung

Zunächst identifizieren Sie Szenarien, bei denen das Feinabstimmen mehr Wert liefert als ein Basismodell oder RAG. In der Praxis fallen Kandidaten in vier wiederkehrende Kategorien. Beginnen Sie mit wiederkehrenden Aufgaben, die tiefes Fachwissen erfordern – technische Diagnosen, Compliance-Analysen, spezialisierte Code-Reviews –, bei denen das Modell das Expertenreasoning replizieren muss, anstatt ein Dokument abzurufen. Als Nächstes kommen standardisierte Kundeninteraktionen: Support-Ebene 1–2, Antworten auf RFPs, Branchenberichte, bei denen Ton und Struktur Ihren etablierten Konventionen folgen. Dann folgen spezifische Geschäftsprozesse, wie die Risikobewertung nach Ihren internen Kriterien oder die Dokumentenklassifizierung unter Verwendung Ihrer Taxonomie. Schließlich gilt die regulatorische Compliance, wenn Sie Dokumente erstellen müssen, die branchenspezifischen Standards entsprechen, die ein generisches Modell nicht im Detail kennt.

Zweitens bewerten Sie Ihre Datenreife, was die Modellqualität direkt bestimmt. Beginnen Sie mit dem Volumen: Stellen Sie sicher, dass Sie genügend hochwertige Beispiele haben – typischerweise mehrere Tausend für ein effektives Feinabstimmen. Untersuchen Sie dann die Qualität selbst: Sind die Beispiele zuverlässig, aktuell und repräsentativ für Ihr Fachwissen? Prüfen Sie anschließend die Vielfalt: Decken sie den gesamten Bereich der Szenarien ab, die das Modell bearbeiten wird? Schauen Sie zuletzt auf das Format: Sind sie bereits strukturiert oder erfordern sie Vorbereitung? Die Phase schließt mit einem Treffen zwischen Ihrem Team und den kommerziellen sowie technischen Teams von Mistral ab: Präsentieren Sie Ihre Ziele, diskutieren Sie Anwendungsfälle, bestätigen Sie die technische Machbarkeit, schätzen Sie Umfang und Zeitplan und erhalten Sie ein kommerzielles Angebot.

Phase 2 — Datenvorbereitung

Forward-Deployed Engineers erstellen das Trainingsdatensatz gemeinsam mit Ihren Teams. Die Extraktion zieht Daten aus Ihren Quellsystemen – Wissensdatenbanken, Ticketverläufe, technische Dokumentation, Kundenkorrespondenz. Das Bereinigen entfernt Duplikate, korrigiert Fehler und anonymisiert personenbezogene Daten. Das Formatieren verwandelt alles in Anweisungs/Antwort-Paare, die für das Feinabstimmen geeignet sind. Die Validierung überreicht den Datensatz Ihren Fachexperten, um die Beispielqualität und Relevanz zu überprüfen. Dies ist der am meisten unterschätzte Schritt: Ein nicht validierter Datensatz lehrt das Modell Ihre Annäherungen zusammen mit Ihren Best Practices.

Ein separater Evaluierungssatz läuft parallel: Geschäftsbenchmarks – Fragen und Antworten, die von Ihren Experten validiert wurden – und Randfälle, komplexe oder mehrdeutige Szenarien, die entwickelt wurden, um die Robustheit zu testen. Sie stellen dieselben Fragen sowohl an das Basismodell als auch an das angepasste Modell und vergleichen diese dann anhand expliziter Metriken: Genauigkeit, Relevanz und Einhaltung Ihres internen Tons und Ihrer Prozesse. Während dieser Phase bewegen sich Daten über verschlüsselte Kanäle, verbleiben in einer für Ihre Organisation isolierten Umgebung, sind nur für Mistral-Ingenieure zugänglich, die dem Projekt zugewiesen sind, und werden durch ein spezifisches Geheimhaltungsabkommen abgedeckt.

Phase 3 — Modelltraining

Die Auswahl des Basismodells hängt vom Anwendungsfall ab: Mistral Large für komplexe Aufgaben, die fortgeschrittenes Reasoning erfordern, Mistral Medium für das beste Verhältnis von Leistung zu Kosten in den meisten Situationen und spezialisierte Modelle, die für Code, mehrsprachige Aufgaben oder andere Domänen optimiert sind.

Das Training läuft auf der GPU-Infrastruktur von Mistral in Europa. Ingenieure konfigurieren Hyperparameter, starten das überwachte Training auf Ihren Daten, überwachen die Konvergenz in Echtzeit und führen mehrere Iterationen durch. Die Dauer reicht von wenigen Stunden bis zu mehreren Tagen, abhängig vom Datenvolumen und der Größe des Basismodells. Nach jedem Zyklus wird das Modell am Testsatz evaluiert – verglichen mit dem Basismodell, mit Fehler- und Randfallanalyse, Datenanpassungen falls erforderlich und Validierung durch Ihre Fachexperten –, bis es die Leistungsziele erfüllt, die während der Abgrenzung definiert wurden.

Phase 4 — Produktionsbereitstellung

Stellen Sie das angepasste Modell gemäß Ihrer Infrastruktur und Compliance-Anforderungen bereit.

Die Integration folgt anschließend mehreren sich ergänzenden Pfaden: Mistral Enterprise, bei dem das Modell in der konversationellen Schnittstelle verfügbar wird; die REST API, um es von Ihren Anwendungen, Workflows und Geschäftstools aus aufzurufen; Python- und JavaScript-SDKs für programmatische Integration; und Webhooks, die das Modell bei Geschäftsevents auslösen. Die Bereitstellung beendet das Projekt nicht. Die kontinuierliche Überwachung verfolgt Latenz, Genauigkeit und Benutzerzufriedenheit, erkennt Drifts, löst Warnungen bei Verschlechterung aus und plant Updates sowie Neu-Trainings.

Typischer Zeitplan

Die Gesamtdauer reicht von 3 bis 6 Monaten, abhängig von der Komplexität des Anwendungsfalls und der Datenreife. Wenn Sie mit verstreuten, nicht validierten Daten beginnen, erweitert sich Phase 2 – niemals die Trainingsphase.

Kernaussagen

• Der Forge-Prozess folgt vier Phasen: Bewertung, Daten, Training, Bereitstellung
• Die Qualität der Trainingsdaten bestimmt die Modellleistung
• Forward-Deployed Engineers leiten jeden Projektschritt
• Bereitstellungsoptionen umfassen Mistral Cloud, VPC, On-Premise oder Partner-Cloud
• Ein typisches Projekt dauert von der Bewertung bis zur Produktion 3 bis 6 Monate