Mistral AI запустить платформу Forge для обучения кастомных моделей
Mistral AI в понедельник представила Forge — платформу для обучения корпоративных моделей, которая позволяет организациям создавать, кастомизировать и непрерывно улучшать модели ИИ с использованием собственных проприетарных данных. Этот шаг напрямую противопоставляет французскую лабораторию ИИ гипермасштабируемым облачным провайдерам на одном из самых значимых и наименее изученных рынков корпоративных технологий.
Анонс завершает исключительно агрессивную неделю для Mistral, которая также выпустила модель Mistral Small 4, представила Leanstral — агента с открытым исходным кодом для формальной верификации — и присоединилась к новому объединению Nvidia Nemotron Coalition в качестве соразработчика первой открытой передовой базовой модели этой коалиции. В совокупности эти шаги создают образ компании, которая больше не согласна конкурировать только по бенчмаркам моделей и вместо этого стремится стать инфраструктурной основой для организаций, желающих владеть своим ИИ, а не арендовать его.
Forge значительно превосходит API для тонкой настройки (fine-tuning), которые Mistral и её конкуренты предлагали в течение последнего года. Платформа поддерживает весь жизненный цикл обучения моделей: предварительное обучение (pre-training) на крупных внутренних датасетах, пост-обучение посредством управляемой тонкой настройки (supervised fine-tuning), DPO и ODPO, а также — что критически важно — конвейеры обучения с подкреплением (reinforcement learning), предназначенные для согласования моделей с внутренними правилами, критериями оценки и операционными целями с течением времени.
«Forge — это платформа для обучения моделей от Mistral», — рассказала Элиза Саламанка (Elisa Salamanca), руководитель направления продуктов в Mistral AI, в эксклюзивном интервью VentureBeat в преддверии запуска. «Мы создавали её за кулисами вместе с нашими учеными в области ИИ. То, что Forge действительно предлагает, — это возможность для предприятий и правительств кастомизировать модели ИИ под свои конкретные нужды».
Почему в Mistral говорят, что API для тонкой настройки больше недостаточно для серьезного корпоративного ИИ
Разница, которую проводит Mistral — между легкой тонкой настройкой и полномасштабным циклом обучения моделей — имеет ключевое значение для понимания того, почему существует Forge и кому она служит.
Последние два года большинство предприятий внедряли ИИ по знакомому шаблону: компании выбирают универсальную модель от OpenAI, Anthropic, Google или поставщика с открытым исходным кодом, а затем применяют тонкую настройку через облачный API для корректировки поведения модели под узкий набор задач. Такой подход отлично работает для развертывания концептуальных прототипов (PoC) и многих производственных сценариев. Однако Саламанка утверждает, что он принципиально упирается в «потолок», когда организации пытаются решить свои самые сложные проблемы.
«У нас был API для тонкой настройки, основанный на supervised fine-tuning. Я думаю, еще пару месяцев назад это было своего рода стандартом», — рассказала Саламанка изданию VentureBeat. «Это позволяет дойти до стадии проверки концепции. Когда же вам действительно требуется целевая производительность, нужно идти дальше. Современные ученые-исследователи в сфере ИИ не используют API для тонкой настройки. Они используют гораздо более продвинутые инструменты, и именно их приносит с собой Forge».
По словам Саламанки, Forge упаковывает ту самую методологию обучения, которую собственные исследователи Mistral используют внутри компании для создания флагманских моделей, включая стратегии смешивания данных, конвейеры генерации данных, оптимизацию распределенных вычислений и проверенные в бою рецепты обучения. Она провела четкую грань между Forge и доступными сегодня бесплатными инструментами с открытым исходным кодом и комьюнити-туториалами.
«На рынке нет ни одной платформы, которая предоставляла бы реально работающие рецепты обучения», — заявила Саламанка. «Другие репозитории с открытым исходным кодом или сторонние инструменты могут дать вам общие конфигурации или руководства от сообщества, но они не дают готовый рецепт, который был проверен — тот самый, который мы применяем для создания всех наших флагманских моделей сегодня».
От древних рукописей до языков квантитативных хедж-фондов: первые клиенты раскрывают то, с чем готовый ИИ не справляется
Очевидный вопрос, встающий перед любым подобным продуктом, — это спрос. На рынке, где GPT-5, Claude, Gemini и растущий парк моделей с открытым исходным кодом способны решать колоссальный спектр задач, зачем предприятию тратить время, вычислительные мощности и экспертизу на обучение собственной модели с нуля?
Саламанка прямо признала этот вопрос, но возразила, что необходимость в этом возникает очень быстро, как только компании выходят за рамки типовых сценариев. «Многие из существующих моделей могут продвинуть вас очень далеко», — отметила она. «Но если вы смотрите на то, что обеспечит вам конкурентное преимущество перед соперниками… брать и использовать доступные модели могут все. Когда вы хотите сделать шаг за эти пределы, вам действительно нужно создавать собственные модели. Вам нужно задействовать свою проприетарную информацию».
Приведенные ею реальные примеры иллюстрируют границы современной экосистемы моделей. В одном случае Mistral работала с государственным учреждением, в распоряжении которого были древние рукописи с утраченным текстом на поврежденных участках. «Доступные модели были не способны справиться с этим, потому что они никогда не видели таких данных», — пояснила Саламанка. «Оцифровка была не слишком качественной. Там присутствовали уникальные паттерны и символы, поэтому мы фактически создали для них модель, способную заполнять пропуски. Теперь это используется их исследователями, что ускоряет публикацию и понимание этих документов».
В ходе другого проекта Mistral заключила партнерство с Ericsson для кастомизации своей модели Codestral под задачи перевода устаревшего кода на современный. По словам Саламанки, компания Ericsson накопила за пять лет проприетарные знания вокруг внутреннего языка вызовов — кодовой базы настолько специализированной, что с ней никогда не сталкивалась ни одна готовая модель. «Конкретный эффект выражается в том, что годовой процесс ручной миграции, где каждый инженер требует шести месяцев адаптации, превращается в нечто гораздо более масштабируемое и быстрое», — сказала она.
Пожалуй, самый показательный пример связан с хедж-фондами. Саламанка описала сотрудничество с финансовыми фирмами по кастомизации моделей для проприетарных квантитативных языков — того типа глубоко охраняемой интеллектуальной собственности, которую эти компании держат локально (on-premises) и никогда не передают облачным службам ИИ. Используя возможности Forge в области обучения с подкреплением, Mistral помогла одному хедж-фонду разработать пользовательские бенчмарки, а затем обучила модель превосходить их по результатам, создав то, что Саламанка назвала «уникальной моделью, которая смогла обеспечить им необходимое конкурентное преимущество».
Как Forge зарабатывает деньги: лицензионные сборы, конвейеры данных и встроенные специалисты по ИИ
Бизнес-модель Forge отражает всю сложность обучения корпоративных моделей. По словам Саламанки, она работает через несколько потоков доходов. Для клиентов, которые запускают задачи обучения на собственных кластерах графических процессоров (что является частым требованием в высокорегулируемых отраслях или сферах с чувствительной интеллектуальной собственностью), Mistral не берет плату за вычисления. Вместо этого компания взимает лицензионный сбор за саму платформу Forge, а также дополнительные сборы за услуги конвейеров данных и за то, что Mistral называет «внедренными учеными» (forward-deployed scientists) — встроенными исследователями ИИ, которые работают бок о бок с командой клиента.
«Ни один из существующих сегодня конкурентов не продает таких встроенных ученых в рамках своего предложения платформы для обучения», — подчеркнула Саламанка.
Эта модель отчетливо перекликается с ранней стратегией Palantir, где инженеры прямо на местах выступали важнейшим мостом между мощным программным обеспечением и сложной реальностью корпоративных данных. Это также говорит о том, что в Mistral осознают фундаментальную истину современного корпоративного ИИ: одной технологии недостаточно. Большинство организаций не обладают внутренней экспертизой для разработки эффективных рецептов обучения, кураторства данных в больших масштабах или навигации по коварному ландшафту оптимизации распределенного обучения на GPU.
Сама инфраструктура отличается гибкостью. Обучение может происходить на собственных кластерах Mistral, на Mistral Compute (специализированном инфраструктурном сервисе компании) или полностью локально в дата-центрах самого клиента. «У нас есть все эти различные сценарии, и мы поддерживаем всё», — отметила Саламанка.
Защита проприетарных данных от облака — главное торговое преимущество Forge
Одним из самых сильных аспектов дифференциации, на котором Mistral настаивает в контексте Forge, является конфиденциальность данных. Саламанка подчеркнула: когда клиенты проводят обучение на собственной инфраструктуре, Mistral вообще не видит эти данные.
«Это находится на их кластерах, это их данные — мы ничего из этого не видим, и всё остается полностью под их контролем», — сказала она. «Я думаю, это то, что отличает нас от конкурентов, где вам действительно приходится загружать свои данные, сталкиваясь с эффектом черного ящика».
Это имеет колоссальное значение в таких секторах, как оборона, разведка, финансовые услуги и здравоохранение, где юридические и репутационные риски передачи проприетарных данных стороннему облачному сервису могут стать непреодолимым препятствием. Mistral уже установила партнерские отношения с такими организациями, как ASML, DSO National Laboratories Singapore, Европейское космическое агентство (ESA), Сингапурское агентство науки и технологий национальной безопасности (Home Team Science and Technology Agency Singapore) и Reply — список, который наглядно демонстрирует: компания целенаправленно нацелена на самые чувствительные к данным сегменты корпоративного рынка.
Forge также включает в себя возможности конвейеров данных, которые Mistral разработала в ходе собственного обучения моделей: сбор данных, кураторство и генерация синтетических данных. «Данные — критически важная часть любой задачи обучения сегодня», — заявила Саламанка. «Вам нужны хорошие данные. Вам нужно достаточное количество данных, чтобы модель продемонстрировала высокую эффективность. Наша компания накопила поистине выдающийся опыт в создании подобных конвейеров данных».
В эпоху ИИ-агентов в Mistral доказывают, что кастомные модели по-прежнему важнее MCP-серверов
Время запуска Forge ставит важный стратегический вопрос. Индустрия ИИ в 2026 году была поглощена агентами — автономными системами ИИ, которые могут использовать инструменты, ориентироваться в многошаговых рабочих процессах и совершать действия от имени пользователей. Если будущее принадлежит агентам, почему базовая модель имеет значение? Разве компании не могут просто подключиться к лучшей из доступных передовых моделей через MCP-сервер или API и сосредоточить свои силы на оркестрации?
Саламанка решительно отвергла такой подход. «Для тех клиентов, с которыми мы работали, некоторые из этих специфических проблем таковы, что их никогда не решит ни один MCP-сервер», — заявила она. «Вам действительно нужен этот интеллект. Вам действительно нужно создать ту самую модель, которая поможет решить вашу самую критическую бизнес-проблему».
Она также аргументировала, что кастомизация моделей необходима даже в чисто агентских архитектурах. «Существуют определенные агентские паттерны поведения, которые необходимо привнести в саму модель», — пояснила Саламанка. «Это могут быть паттерны рассуждения, определенные типы документации, гарантия того, что у вас есть правильные следы рассуждений (reasoning traces). Даже в тех случаях, когда люди полностью переходят на агентов, вам всё равно нужна кастомизация моделей — например, методы обучения с подкреплением — чтобы действительно добиться нужного уровня производительности».
В пресс-релизе Mistral эта связь подчеркивается напрямую: утверждается, что кастомные модели делают корпоративных агентов более надежными за счет более глубокого понимания внутренних сред — более точного выбора инструментов, более стабильных многошаговых рабочих процессов и принятия решений, отражающих внутренние регламенты компании, а не общие предположения.
Платформа также поддерживает философию проектирования «с приоритетом на агентов» (agent-first). Forge предоставляет интерфейсы, позволяющие автономным агентам — включая собственного кодинг-агента Mistral Vibe — запускать эксперименты по обучению, подбирать оптимальные гиперпараметры, планировать задачи и генерировать синтетические данные. «Мы фактически создавали Forge в ИИ-нативном ключе», — отметила Саламанка. «Мы уже тестируем возможности автономных агентов по запуску экспериментов по обучению».
Mistral Small 4, Leanstral и коалиция Nvidia: неделя, которая переопределила амбиции компании
Чтобы в полной мере оценить значимость Forge, полезно рассмотреть её в контексте других анонсов Mistral, сделанных на той же неделе, — шквала релизов, которые в совокупности представляют собой самое амбициозное расширение за всю короткую историю компании.
Буквально вчера Mistral выпустила Leanstral — первого агента с открытым исходным кодом для Lean 4, ассистента доказательств, используемого в формальной математике и верификации программного обеспечения. Leanstral оперирует всего 6 миллиардами активных параметров и разработан для реалистичных формальных репозиториев, а не для изолированных задач математических соревнований. В тот же день Mistral представила Mistral Small 4 — модель со смешением экспертов (MoE), имеющую 119 миллиардов общих параметров, но всего 6 миллиардов активных на один запрос. Она работает на 40% быстрее предшественницы, обрабатывая при этом втрое больше запросов в секунду. Обе модели поставляются под лицензией Apache 2.0 — самой мягкой лицензией с открытым исходным кодом из тех, что получили широкое распространение.
И наконец, коалиция Nvidia Nemotron Coalition. Анонсированная на конференции GTC от Nvidia, эта коалиция стала первым в своем роде сотрудничеством между Nvidia и группой ИИ-лабораторий — включая Mistral, Perplexity, LangChain, Cursor, Black Forest Labs, Reflection AI, Sarvam и Thinking Machines Lab — по совместной разработке передовых моделей с открытым исходным кодом. Первый проект коалиции представляет собой базовую модель, совместно созданную Mistral AI и Nvidia и обученную на облачной платформе Nvidia DGX Cloud, которая ляжет в основу предстоящего семейств открытых моделей Nvidia Nemotron 4.
«Передовые модели с открытым исходным кодом — это то, как ИИ становится полноценной платформой», — заявил Артур Менш (Arthur Mensch), сооснователь и генеральный директор Mistral AI, в анонсе Nvidia. «Вместе с Nvidia мы возьмем на себя ведущую роль в обучении и продвижении передовых моделей в масштабе».
Эта роль в коалиции имеет стратегическое значение. Она позиционирует Mistral не просто как потребителя вычислительной инфраструктуры Nvidia, а как соавтора фундаментальных моделей, на которых будет строиться более широкая экосистема. Для компании, которая все еще уступает по размерам своим американским конкурентам, это весомое место за главным столом.
Forge бросает вызов Amazon, Microsoft и Google — и заявляет, что те не могут пойти достаточно глубоко
Forge выходит на рынок, который уже переполнен — по крайней мере, внешне. Amazon Bedrock, Microsoft Azure AI Foundry и Google Cloud Vertex AI — все они предлагают возможности обучения и кастомизации моделей. Но Саламанка возразила, что эти предложения принципиально ограничены в двух аспектах.
Во-первых, они существуют исключительно в облаке. «В одном из случаев ответ очевиден — клиенты хотят запускать это на собственных мощностях, и поэтому все эти облачные инструменты им просто недоступны», — пояснила Саламанка. Во-вторых, она отметила, что инструменты обучения от гиперскейлеров в основном предлагают упрощенные интерфейсы API, которые не обеспечивают глубину контроля, необходимую для серьезного обучения моделей.
Существует также вопрос зависимости. Саламанка описала цифровые нативные компании, которые построили продукты поверх моделей с закрытым исходным кодом, только для того, чтобы выпуск новой модели — более многословной, чем предшественница — «обрушил» их производственные пайплайны. «Когда вы полагаетесь на модели с закрытым исходным кодом, вы также становитесь суперзависимы от обновлений модели, которые несут в себе побочные эффекты», — предупредила она.
Этот аргумент перекликается с более широким нарративом о суверенитете, который обеспечил подъем Mistral в Европе и за ее пределами. Компания позиционирует себя как альтернативу для организаций, которые хотят владеть своим технологическим стеком ИИ, а не арендовать его у американских гиперскейлеров. Forge расширяет этот подход от инференса к обучению: речь идет не просто о запуске уже имеющихся у вас моделей, а об их создании с нуля.
Здесь также важна основа с открытым исходным кодом. Mistral выпускает модели под мягкими лицензиями с момента своего основания, и Саламанка подчеркнула, что компания строит Forge как открытую платформу. Хотя в настоящее время она работает с собственными моделями Mistral, она подтвердила, что в планах есть поддержка других архитектур с открытым исходным кодом. «Мы глубоко укоренены в open source. Это было частью нашей ДНК с самого начала, и мы создавали Forge как открытую платформу — это просто вопрос времени, когда мы откроем ее для других моделей с открытым исходным кодом».
Уход сооснователя в xAI подчеркивает, почему Mistral превращает экспертизу в продукт
Время запуска Forge также совпало с периодом жесткой конкуренции за таланты. Как сообщало издание FinTech Weekly 14 марта, Девендра Сингх Чаплот (Devendra Singh Chaplot) — сооснователь Mistral AI, возглавлявший мультимодальную группу компании и участвовавший в обучении Mistral 7B, Mixtral 8x7B и Mistral Large — перешел в компанию xAI Илона Маска, где будет работать над обучением моделей Grok. Ранее Чаплот также был одним из основателей Thinking Machines Lab — стартапа в сфере ИИ, созданного бывшим техническим директором OpenAI Мирой Мурати (Mira Murati).
Уход сооснователя никогда не проходит бесследно, но Mistral, похоже, компенсирует это институциональным потенциалом, а не индивидуальным блеском. Forge представляет собой, по сути, продукт коллективного опыта компании в области обучения — рецептов, конвейеров, оптимизаций распределенных вычислений — в форме, способной масштабироваться за пределы возможностей любого отдельного исследователя. Упаковывая эти знания в платформу и дополняя их внедренными учеными, Mistral пытается создать долговечный конкурентный актив, который не исчезнет вместе с уходом ключевого сотрудника.
Главная ставка Mistral: победителем станет тот, кто владеет собственными моделями ИИ
Forge — это ставка на конкретную теорию будущего корпоративного ИИ: самые ценные системы ИИ будут обучены на проприетарных знаниях, управляться внутренними регламентами и функционировать под прямым контролем организации. Это контрастирует с преобладающей парадигмой последних двух лет, в рамках которой предприятия в основном потребляли ИИ как облачный сервис — мощный, но общий, удобный, но бесконтрольный.
Вопрос в том, захотят ли достаточное количество предприятий сделать такие инвестиции. Обучение моделей стоит дорого, технически сложно и требует постоянных организационных усилий. Forge снижает барьеры — за счет автоматизации инфраструктуры, проверенных рецептов и встроенных ученых — но не устраняет их полностью.
В Mistral, судя по всему, делают ставку на то, что организации, которые могут извлечь наибольшую выгоду из ИИ — те, что обладают десятилетиями проприетарных знаний в высокоспециализированных областях — это как раз те компании, для которых универсальные модели подходят меньше всего. Именно в этих структурах разрыв между тем, что может универсальная модель, и тем, что действительно нужно бизнесу, максимален, а конкурентное преимущество от преодоления этого разрыва — наибольшее.
Forge поддерживает как плотные (dense), так и экспертные (MoE) архитектуры, учитывая различные компромиссы между производительностью, стоимостью и операционными ограничениями. Платформа работает с мультимодальными входными данными. Она спроектирована для непрерывной адаптации, а не для разового обучения, со встроенными фреймворками оценки, которые позволяют предприятиям тестировать модели на внутренних бенчмарках перед их развертыванием в продакшене.
Последние два года стратегия корпоративного ИИ была предельно простой: выберите модель, вызовите API, выпустите функцию. Теперь Mistral задает более сложный вопрос: окажутся ли организации, готовые проделать тяжелую, дорогостоящую и неброскую работу по обучению собственных моделей, в выигрыше, получив то, чего никогда не дождутся пользователи простых вызовов API?
Несправедливое преимущество.
