摘要： Mistral 於 2026 年 3 月 17 日在 NVIDIA GTC 發表 Forge，主張企業與政府用自己的資料從零訓練客製模型，而非只靠微調或 RAG。交付模式由前進部署工程師支援，並基於 Mistral 開源權重庫與 Mistral Small 4。文章認為只有資料成熟度高、既有方法不足的少數組織才划算，多數企業仍適合微調加 RAG。
2026 年 3 月 17 日這天，Mistral 選在 NVIDIA GTC 端出 Forge 平台。它的主張一句話講完：企業與政府拿自己的資料，從零開始訓練屬於自己的客製化模型——既不是拿現成模型來微調，也不是靠 RAG 檢索，而是貨真價實的從頭訓練。產品負責人 Elisa Salamanca 的說明毫不繞彎：「Forge 做的，是讓企業與政府為自己的特定需求客製化 AI 模型。」
這條路線跟 OpenAI、Anthropic 走的主流方向明顯分家：那兩家的招牌菜是微調（fine-tuning）與 RAG——模型本體原封不動，知識或行為從外面掛上去。Mistral 選了另一邊下注。
為什麼要從零訓練
TechCrunch 的解析指出，從零訓練在理論上更能吃下非英語與領域特定的資料，也做得出以強化學習訓練的代理系統，同時把對第三方供應商的依賴壓低——閃開「模型改版或棄用」這類風險。2026 年的開發者對這一點特別有感：供應商只要動一次模型迭代，你的應用行為就可能整片位移。
客戶是站在 Mistral 的開源權重模型庫上蓋東西，其中也包含與 Forge 同步推出的 Mistral Small 4。面對「小模型天花板」這個問題，共同創辦人 Timothée Lacroix 的回答很實在：小模型「不可能在每個主題上都跟大模型一樣好」，而客製化的意義在於「讓我們選擇強調什麼、放下什麼」。
FDE 模式：把工程師送進客戶團隊
Forge 的交付手法向 IBM 與 Palantir 取經：前進部署工程師（FDE）直接進駐客戶團隊。Salamanca 指出，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」，至於評測與資料方面的專業，「就是 FDE 帶進來的東西」。Lacroix 則補充，Mistral 會在模型與基礎設施上給建議，但「兩個決策都留在客戶手上」。
早期客戶名單一字排開頗有分量：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。會掏錢的買家輪廓是政府（語言與文化客製）、合規壓力大的金融業、製造業，還有想把模型調到貼合自家程式庫的科技公司。
誰真的需要自訓模型？
Futurum Group 的分析把關鍵疑問挑明：Forge「瞄準了 RAG」，可是誰真的需要客製模型？他們的答覆相當克制——只有資料成熟度夠高的少數組織，在 RAG 與微調確實無法滿足需求時，從零訓練才划算。對大多數企業而言，微調加 RAG 依舊是成本效益最好的一組搭配。
而這正是 Forge 策略高明的地方：Mistral 沒假裝每家企業都該自己訓模型，而是把「主權 AI」需求最強烈的那一小群人——政府、國防、受監管產業——徹底服務好。執行長 Arthur Mensch 說企業策略已經看到成果，Mistral 今年有望衝過 10 億美元年經常性收入，即便消費端仍由 OpenAI 與 Anthropic 領先。
觀察重點
Forge 像是 AI 市場走向分眾的一個縮影：在前沿模型競賽之外，「資料主權 + 客製化 + 不被供應商綁架」確實是一條存在、也有人願意付錢的分叉路。企業技術決策者該照這個順序判斷：RAG 夠不夠？不夠再看微調夠不夠？最後才輪到從零訓練——而當你真的走到第三步，Forge 這類平台的價值才會浮現。