2026 年 3 月 17 日，Mistral 在 NVIDIA GTC 上發表 Forge 平台。一句話定位：讓企業與政府用自己的資料、從零訓練專屬的客製化模型——不是微調現有模型，也不是 RAG 檢索，而是真正的從頭訓練。產品負責人 Elisa Salamanca 說得直白：「Forge 做的，是讓企業與政府為自己的特定需求客製化 AI 模型。」
這條路線與 OpenAI、Anthropic 的主流做法明顯分岔：對手們的主菜是微調（fine-tuning）與 RAG——在不動模型本體的前提下外掛知識或行為。Mistral 押的是另一邊。
從零訓練的理由
TechCrunch 分析，從零訓練在理論上更適合非英語與領域特定資料、能做出強化學習訓練的代理系統，並降低對第三方供應商的依賴——避開「模型改版或棄用」的風險。2026 年的開發者對這點感同身受：供應商一次模型迭代，就可能讓你的應用行為整個位移。
客戶基於 Mistral 的開源權重模型庫來建置，包括隨 Forge 一同推出的 Mistral Small 4。共同創辦人 Timothée Lacroix 對「小模型天花板」的回應很務實：小模型「不可能在每個主題上都跟大模型一樣好」，而客製化「讓我們選擇強調什麼、放下什麼」。
FDE 模式：把工程師塞進客戶端
Forge 的交付方式借鑑 IBM 與 Palantir 的打法：前進部署工程師（FDE）直接進駐客戶團隊。Salamanca 說 Forge「本身就附帶所有工具與基礎設施，可以生成合成資料管線」，而評測與資料專業「就是 FDE 帶進來的東西」。Lacroix 補充：Mistral 對模型與基礎設施提供建議，但「兩個決策都留在客戶手上」。
早期客戶清單頗有份量：Ericsson、歐洲太空總署、Reply、新加坡 DSO 與 HTX，以及領投 Mistral C 輪（估值約 138 億美元）的 ASML。目標買家是政府（語言與文化客製）、合規密集的金融業、製造業，以及要把模型調校到自己程式庫的科技公司。
誰真的需要自訓模型？
Futurum Group 的分析點出關鍵質疑：Forge「瞄準了 RAG」，但誰真的需要客製模型？他們的答案很節制——只有少數資料成熟度高的組織，在 RAG 與微調真的無法滿足需求時，從零訓練才划算。對多數企業，微調加 RAG 仍是成本效益最好的組合。
這也是 Forge 策略的聰明之處：Mistral 沒有假裝所有企業都該自訓模型，而是把「主權 AI」需求最強烈的那一小群——政府、國防、受監管產業——服務到底。執行長 Arthur Mensch 表示企業策略已見成效，Mistral 今年可望突破 10 億美元年經常性收入，即使 OpenAI 與 Anthropic 在消費端保持領先。
觀察重點
Forge 代表的是 AI 市場分眾化的縮影：前沿模型競賽之外，「資料主權 + 客製化 + 不被供應商綁架」是一條真實存在且有付費意願的分叉路線。對企業技術決策者，判斷順序應該是：先問 RAG 夠不夠，再問微調夠不夠，最後才考慮從零訓練——而當你走到第三步，Forge 這類平台的價值才真正顯現。
參考來源
- Mistral bets on ‘build-your-own AI’ as it takes on OpenAI, Anthropic — TechCrunch
- Mistral Forge Takes Aim at RAG, But Who Actually Needs Custom Models? — Futurum Group
本文由 AI 協助自上述來源整理，經人工審核後發布。