Komma igång med Forge
På denna sida
Uppdatering 2 november 2026 — Le Chat är nu Vibe. Sedan den 28 maj 2026 har Le Chat bytt namn till Vibe (fortfarande på chat.mistral.ai): en enda agent för arbete och kod som behåller dina konversationer, inställningar och prenumerationer. Den äldre Le Chat-upplevelsen finns kvar i läget Chat. I läget Work är agenter nu färdigheter (anropas med
@), minnen utgör kunskapsbasen och djup research är färdigheten Deep Research. Abonnemangen heter nu Mistral Free, Pro, Team och Enterprise. Denna lektion använder namnet Vibe; vissa menyer som beskrivs här kan ha bytt namn eller plats.
Ett projekt i fyra faser
Att lansera ett Forge-projekt kräver planering. Det kräver noggrann förberedelse, nära samarbete med Mistral-team och en tydlig vision av dina mål. Varje fas lägger grunden för nästa: otydlig avgränsning leder till dåligt dataurval, dåligt data ger en besvikande modell, och du upptäcker inte problemet förrän tre månader senare.
Fas 1 — Utvärdering och avgränsning
Identifiera först scenarier där finjustering levererar mer värde än en basmodell eller RAG. I praktiken faller kandidater in i fyra återkommande kategorier. Börja med repetitiva uppgifter som kräver djup expertis – teknisk diagnostik, regelefterlevnadsanalys, specialiserad kodgranskning – där modellen måste efterlikna expertresonemang snarare än att hämta ett dokument. Därefter kommer standardiserade kundinteraktioner: support i nivå 1–2, svar på anbudsförfrågningar, branschrapporter, där ton och struktur följer dina etablerade konventioner. Sedan kommer specifika affärsprocesser, såsom riskbedömning mot dina interna kriterier eller dokumentklassificering med din taxonomi. Slutligen gäller regelefterlevnad när du måste producera dokument som följer branschspecifika standarder som en generell modell inte känner till i detalj.
Bedöm sedan din datamognad, vilket direkt avgör modellkvaliteten. Börja med volym: verifiera att du har tillräckligt med högkvalitativa exempel – vanligtvis flera tusen för effektiv finjustering. Granska sedan själva kvaliteten: är exemplen tillförlitliga, uppdaterade och representativa för din expertis? Kontrollera därefter mångfalden: täcker de hela spannet av scenarier som modellen ska hantera? Granska slutligen formatet: är de redan strukturerade eller krävs förberedelser? Fasen avslutas med ett möte mellan ditt team och Mistrals kommersiella och tekniska team: presentera dina mål, diskutera användningsfall, bekräfta teknisk genomförbarhet, uppskatta omfattning och tidslinje, och ta emot ett kommersiellt förslag.
Fas 2 — Dataförberedelse
Forward-Deployed Engineers bygger träningsdatasetet tillsammans med dina team. Extraktion hämtar data från dina källsystem – kunskapsbaser, ärendehistorik, teknisk dokumentation, kundutbyten. Rensning tar bort dubbletter, korrigerar fel och anonymiserar personuppgifter. Formatering transformerar allt till instruktion/svar-par lämpade för finjustering. Validering lämnar datasetet till dina ämnesexperter för att verifiera exempelkvalitet och relevans. Detta är det mest underskattade steget: ett ovaliderat dataset lär modellen dina approximationer tillsammans med dina bästa metoder.
Ett separat utvärderingsset körs parallellt: affärsmässiga riktmärken – frågor och svar validerade av dina experter – och kantfall, komplexa eller tvetydiga scenarier designade för att testa robusthet. Du ställer samma frågor till både basmodellen och den anpassade modellen, och jämför dem sedan mot explicita mätetal: noggrannhet, relevans och efterlevnad av din interna ton och dina processer. Under hela denna fas flyttas data över krypterade kanaler, lagras i en isolerad miljö dedikerad till din organisation, är endast tillgänglig för de Mistral-ingenjörer som tilldelats projektet, och omfattas av ett specifikt sekretessavtal.
Fas 3 — Modellträning
Valet av basmodell beror på användningsfallet: Mistral Large för komplexa uppgifter som kräver avancerat resonemang, Mistral Medium för bäst prestanda i förhållande till kostnad i de flesta situationer, och specialiserade modeller optimerade för kod, flerspråkiga uppgifter eller andra domäner.
Träningen körs på Mistrals GPU-infrastruktur i Europa. Ingenjörer konfigurerar hyperparametrar, startar övervakad träning på dina data, övervakar konvergens i realtid och kör flera iterationer. Varaktigheten sträcker sig från några timmar till flera dagar, beroende på datavolym och basmodellens storlek. Efter varje cykel utvärderas modellen på testsetet – jämförs med basmodellen, med analys av fel och kantfall, datajusteringar vid behov, och validering av dina ämnesexperter – tills den uppfyller de prestandamål som definierades under avgränsningen.
Fas 4 — Driftsättning i produktion
Distribuera den anpassade modellen enligt dina infrastruktur- och regelefterlevnadskrav.
| Alternativ | Vad det innebär |
|---|---|
| Mistral Cloud | Hostad på Mistrals infrastruktur, tillgänglig via Mistral Enterprise och API:t. Snabbast att distribuera. |
| Dedikerad VPC | Fullständig nätverksisolering i ett privat moln. Rekommenderas för reglerade sektorer (finans, vård). |
| On-premise | På dina servrar: full kontroll, ingen data lämnar dina lokaler. Kräver lämplig GPU-infrastruktur. |
| Partner Cloud | Azure, AWS eller GCP via befintliga integrationer. Idealt om din molnmiljö redan är på plats. |
Integrationen följer sedan flera kompletterande vägar: Mistral Enterprise, där modellen blir tillgänglig i det konversationella gränssnittet; REST API:t, för att anropa den från dina applikationer, arbetsflöden och affärsverktyg; Python- och JavaScript-SDK för programmatisk integration; och webhooks, som triggar modellen vid affärshändelser. Driftsättningen avslutar inte projektet. Kontinuerlig övervakning spårar latens, noggrannhet och användarnöjdhet, upptäcker drift, utlöser varningar vid försämring och schemalägger uppdateringar och omträning.
Typisk tidslinje
| Period | Steg |
|---|---|
| Vecka 1–2 | Utvärdering och avgränsning |
| Vecka 3–6 | Dataförberedelse |
| Vecka 7–10 | Träning och utvärdering (iterativt) |
| Vecka 11–14 | Driftsättning och integration |
| Därefter | Övervakning, optimering och uppdateringar |
Den totala varaktigheten sträcker sig från 3 till 6 månader, beroende på användningsfallets komplexitet och datamognad. Om du börjar med spridd, ovaliderad data expanderar fas 2 – aldrig träningsfasen.
Viktiga punkter
- Forge-processen följer fyra faser: utvärdering, data, träning, driftsättning
- Kvaliteten på träningsdata avgör modellens prestanda
- Forward-Deployed Engineers vägleder varje steg i projektet
- Driftsättningsalternativ inkluderar Mistral Cloud, VPC, on-premise eller partnermoln
- Ett typiskt projekt tar 3 till 6 månader från utvärdering till produktion