Der Forge-Prozess

Update vom 2. November 2026 — Le Chat ist nun Vibe. Ab dem 28. Mai 2026 wurde Le Chat in Vibe umbenannt (nach wie vor unter chat.mistral.ai): ein einziger Agent für Arbeit und Code, der Ihre Gespräche, Einstellungen und Abonnements beibehält. Die klassische Le Chat-Erfahrung bleibt im Chat-Modus verfügbar. Im Work-Modus sind Agenten nun Fähigkeiten (Skills), die mit @ aufgerufen werden; Memories dienen als Wissensbasis, und Deep Research ist die Fähigkeit Deep Research. Die Pläne heißen nun Mistral Free, Pro, Team und Enterprise. Diese Lektion verwendet den Namen Vibe; beachten Sie, dass einige hier beschriebene Menüs andere Namen oder Standorte haben können.

Vom Evaluieren bis zum Einsatz: Die vollständige Reise

Ein Forge-Projekt durchläuft vier Phasen, die von einem Mistral Field Deployment Engineer (FDE) geleitet werden. Sie konfigurieren nichts allein über eine Konsole. Stattdessen ist das Projekt eine gemeinsame Verpflichtung zwischen Ihrer Organisation und Mistral AI mit definierten Meilensteinen, messbaren Ergebnissen und einem vorhersehbaren Zeitplan: 2 bis 4 Wochen für die Evaluation, 4 bis 8 Wochen für die Datenvorbereitung, 4 bis 6 Wochen für Training und Iteration sowie 2 bis 4 Wochen für den Einsatz und die Überwachung. Insgesamt sollten Sie mit 3 bis 6 Monaten rechnen, abhängig von der Komplexität des Anwendungsfalls und der Datenqualität. Wenn Sie diese Sequenz von vornherein kennen, vermeiden Sie es, Ihrem Management ein Ergebnis in sechs Wochen zu versprechen.

Phase 1: Evaluation (2 bis 4 Wochen)

Das Ziel besteht darin, zu bestimmen, ob Forge der richtige Ansatz ist, und Erfolgskriterien zu definieren. Das Mistral-Team arbeitet mit Ihrem geschäftlichen Sponsor und Ihrem technischen Team an vier Fronten. Die Prüfung des Anwendungsfalls beginnt mit den einfachsten, aber unangenehmsten Fragen: Welches exakte Problem lösen Sie? Haben Sie Prompt Engineering und RAG wirklich getestet? Warum sind sie unzureichend? Die Datenbewertung misst das verfügbare Volumen und seinen tatsächlichen Zustand – strukturiert oder unstrukturiert, annotiert oder roh, aktuell oder veraltet.

Als Nächstes folgt die Basismessung, ein Schritt, den viele überspringen und später bereuen. Sie müssen die Leistung des allgemeinen Modells an den Zielaufgaben bewerten; ohne dies können Sie nicht quantifizieren, was Forge hinzufügt. Die Phase schließt mit der Definition von KPIs ab: Präzision, Recall, Verarbeitungszeit und Benutzerzufriedenheit.

Das Ergebnis ist ein Scoping-Dokument, das die Definition des Anwendungsfalls, das Dateninventar, die Basismetriken, die Ziel-KPIs und einen vorläufigen Zeitplan enthält. Es folgt eine gemeinsame Ja/Nein-Entscheidung. Wenn die Daten unzureichend sind oder der Anwendungsfall Forge nicht rechtfertigt, wird das Mistral-Team Sie stattdessen zu RAG oder Prompt Engineering führen. Ein „Nein” in dieser Phase spart Ihnen mehrere Monate Arbeit und ein erhebliches Budget.

Phase 2: Datenvorbereitung (4 bis 8 Wochen)

In dieser Phase wird der Trainingsdatensatz erstellt. Es ist die kritischste und zeitaufwändigste Stufe, da die Modellqualität direkt von der Qualität der Daten abhängt, die zum Training verwendet werden. Die Arbeit beginnt mit der Sammlung: Extrahieren Sie Dokumente, Beispiele und Anwendungsfälle aus Ihren internen Systemen. Als Nächstes folgt die Bereinigung – Entfernen von Duplikaten, veralteten Dokumenten und beschädigten Daten – gefolgt von der Strukturierung, die rohe Daten in Anweisung-Antwort-Paare verwandelt, die für das Training nutzbar sind. Wenn der Anwendungsfall dies erfordert, fügt eine Annotation durch Ihre Fachexperten Labels, Kategorien oder Metadaten hinzu. Eine finale Validierung durch dieselben Experten stellt sicher, dass der Korpus reale Praktiken widerspiegelt und das erwartete Qualitätsniveau erreicht.

Verteilen Sie die Rollen der Dokumente in der Schreibweise von Anfang an. Ihr Datenteam übernimmt die Sammlung, Bereinigung und Strukturierung. Ihre Fachexperten übernehmen die Annotation und Validierung. Der Mistral FDE bietet methodische Anleitung, validiert Formate und empfiehlt Volumina und Qualitätsstandards.

Vier Fallstricke treten ständig wieder auf. Ein Korpus, der bestimmte Fälle überrepräsentiert, erzeugt ein Modell, das in denselben Proportionen verzerrt ist. Veraltete Dokumente führen zu einem Modell, das selbstbewusst auf veralteten Verfahren basiert, was gefährlicher ist als keine Antwort überhaupt. Ein paar hundert Beispiele reichen für ein qualitativ hochwertiges Feinabstimmungstraining niemals aus. Schließlich: Wenn Sie einen Kompromiss eingehen müssen, wählen Sie einen kleineren, homogenen Korpus gegenüber einem massiven, ungleichwertigen.

Phase 3: Training und Iteration (4 bis 6 Wochen)

Das Basismodell wird auf Ihrem Datensatz feinabgestimmt und anschließend an einem Validierungssatz bewertet, der aus Daten besteht, die das Modell während des Trainings noch nicht gesehen hat. Die Ergebnisse werden mit den Basismetriken und den Ziel-KPIs aus Phase 1 verglichen. Jeder Lückenwert löst eine Iteration aus: Anpassung von Hyperparametern, Anreicherung des Datensatzes oder Korrektur identifizierter Fehler. Parallel dazu führen Ihre Experten eine geschäftliche Validierung durch, indem sie das Modell an realen Fällen testen. Ein Modell, das Metriken erfüllt, aber bei alltäglichen Dateien versagt, ist nicht bereit.

In der Praxis erfordert das Erreichen des Ziels 2 bis 4 Iterationen, wobei jede 1 bis 2 Wochen dauert. Der FDE übernimmt die gesamte technische Seite: Konfiguration des Trainings, Optimierung von Hyperparametern, Diagnose von Leistungsproblemen und Empfehlung von Datenverbesserungen. Ihr Team benötigt keine Machine-Learning-Expertise; der FDE fungiert als Ihre technische Schnittstelle zur Forge-Plattform.

Phase 4: Einsatz und Überwachung (2 bis 4 Wochen)

Das benutzerdefinierte Modell wird auf die Zielinfrastruktur bereitgestellt – Mistral Cloud, eine dedizierte VPC oder On-Premise – und integriert sich über Mistral Enterprise, Enterprise Search oder Ihre internen Anwendungen über APIs in Ihre Umgebung. Lasttests validieren die Leistung unter Produktionsbedingungen. Das Training bereitet Endbenutzer auf ein Modell vor, das sich anders verhält als ein allgemeines Modell. Dashboards verfolgen Leistung, Volumen und Zufriedenheit.

Diese Überwachung informiert direkt die Governance. Sie erkennt allmähliche Leistungsverschlechterung, unerwartete Anwendungsfälle und Signale für ein erneutes Training, wie die Verfügbarkeit neuer Daten oder Verfahrensänderungen. Ein Forge-Modell ist nicht statisch. Planen Sie einen vierteljährlichen Zyklus für sich schnell verändernde Bereiche, einen halbjährlichen Zyklus für stabile Bereiche und bedarfsorientierte Zyklen für wesentliche Änderungen wie neue Vorschriften, Fusionen oder Produktlaunches.

Budget und Ressourcen zur Bereitstellung

Auf der Seite von Mistral umfasst die Verpflichtung einen dedizierten FDE für die Projektlaufzeit, Trainingsinfrastruktur (GPUs) sowie technischen und methodischen Support. Auf Ihrer Seite sollten Sie 10 % bis 20 % der Zeit Ihres geschäftlichen Sponsors reservieren, ein Datenteam von einer bis zwei Personen Teilzeit während Phase 2, einige wöchentliche Stunden von Fachexperten für die Validierung sowie ein Projektbudget, das je nach Komplexität variiert (während der Evaluationsphase zu scopen). Stellen Sie diese Ressourcen tatsächlich bereit. Ein Projekt, bei dem der Sponsor diese Zeit nicht freigegeben hat, wird in Phase 2 stocken.

Kernaussagen

• Der Forge-Prozess dauert 3 bis 6 Monate über vier Phasen: Evaluation, Daten, Training und Einsatz.
• Die Datenvorbereitung ist die kritischste Phase – die Datenqualität bestimmt die Modellqualität.
• Ein Mistral FDE begleitet Sie von Anfang bis Ende – Ihr Team benötigt keine Machine-Learning-Expertise.
• Planen Sie einen erneuten Trainingszyklus, um die Leistung über die Zeit aufrechtzuerhalten.