# Mistral AI, Forge 출시

> Clean Markdown view of GeekNews topic #27616. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=27616](https://news.hada.io/topic?id=27616)
- GeekNews Markdown: [https://news.hada.io/topic/27616.md](https://news.hada.io/topic/27616.md)
- Type: GN+
- Author: [neo](https://news.hada.io/@neo)
- Published: 2026-03-18T21:33:25+09:00
- Updated: 2026-03-18T21:33:25+09:00
- Original source: [mistral.ai](https://mistral.ai/news/forge)
- Points: 5
- Comments: 1

## Summary

**Mistral AI의 Forge**는 기업이 내부 문서와 코드, 운영 데이터를 활용해 **도메인 특화 AI 모델**을 직접 구축할 수 있도록 하는 플랫폼입니다. 모델과 데이터에 대한 **완전한 통제권**을 유지하면서 사전학습부터 강화학습까지 전 과정을 자체 인프라에서 수행할 수 있어, 규제 산업에서도 안전하게 활용 가능합니다. 이를 통해 기업은 외부 모델 의존을 줄이고, 내부 정책과 워크플로우를 이해하는 **자율적 AI 에이전트**를 운영 환경에 통합할 수 있습니다.

## Topic Body

- **Forge**는 기업이 자체 **내부 지식 기반의 AI 모델**을 구축할 수 있도록 하는 시스템으로, 공공 데이터 중심의 기존 모델 한계를 보완함  
- 내부 문서, 코드베이스, 운영 데이터 등을 활용해 **도메인 특화 모델**을 학습시키며, 사전학습·후학습·강화학습 단계를 모두 지원  
- 모델과 데이터, 지식의 **통제권과 지적 자산 보호**를 유지할 수 있어 규제 산업에서도 활용 가능  
- **맞춤형 모델**을 통해 기업용 에이전트가 내부 시스템과 정책을 이해하고, 도구 사용 및 의사결정을 정확히 수행할 수 있음  
- 다양한 아키텍처와 지속적 강화학습을 지원해, **엔터프라이즈 AI의 전략적 자율성**과 장기적 개선 가능성을 높임  

---

### Forge 개요
- Forge는 기업이 **고유한 지식과 데이터**를 기반으로 **프론티어급 AI 모델**을 구축할 수 있게 하는 시스템  
  - 기존 공개 데이터 기반 모델이 일반적 작업에 최적화된 반면, Forge는 기업 내부의 표준, 정책, 코드, 의사결정 기록 등 **조직 고유 맥락**을 반영  
  - 이를 통해 AI가 기업의 **운영 환경과 워크플로우**에 맞게 작동하도록 지원  
- Mistral AI는 이미 **ASML**, **Ericsson**, **European Space Agency**, **HTX Singapore** 등과 협력해 해당 기술을 적용 중  

### 기관 지식 기반 모델 학습
- Forge는 내부 문서, 코드베이스, 구조화 데이터, 운영 기록 등 **대규모 사내 데이터**로 모델을 학습시킴  
  - 모델은 해당 환경의 **용어, 추론 패턴, 제약 조건**을 습득  
- 학습 단계는 세 가지로 구성  
  - **사전학습(pre-training)**: 내부 데이터로 도메인 인식 모델 구축  
  - **후학습(post-training)**: 특정 작업과 환경에 맞게 모델 세부 조정  
  - **강화학습(reinforcement learning)**: 내부 정책과 평가 기준에 맞춰 모델 행동을 정렬하고 실제 환경 성능 향상  
- 이를 통해 **조직 지능을 반영한 모델** 개발 가능  

### 통제와 전략적 자율성
- Forge는 기업이 **모델과 데이터에 대한 통제권**을 유지하도록 설계  
  - 모델은 사내 데이터로 학습되고, 내부 정책·평가 기준·운영 요건에 따라 관리 가능  
- 규제 환경에서 **컴플라이언스와 거버넌스 요구사항**을 충족할 수 있음  
- 자체 인프라 내에서 모델을 운영함으로써 **전략적 자율성** 확보  

### 맞춤형 모델과 신뢰성 높은 에이전트
- 기업용 에이전트는 단순 응답 생성이 아니라 **내부 시스템 탐색, 도구 사용, 정책 기반 의사결정** 수행 필요  
- 도메인 학습 모델을 기반으로 한 에이전트는 내부 용어와 절차를 이해하고, 시스템 간 관계를 파악함  
  - 도구 선택 정확도 향상, 다단계 워크플로우 안정성 강화, 내부 정책 반영된 의사결정 가능  
- 결과적으로 **운영 구성요소로서의 AI 에이전트** 구현 가능  

### 다양한 모델 아키텍처 지원
- Forge는 **Dense**와 **Mixture-of-Experts(MoE)** 아키텍처를 모두 지원  
  - Dense 모델은 범용 작업에 강점, MoE는 **낮은 지연시간과 비용 효율성**으로 대규모 모델 운용 가능  
- **멀티모달 입력** 지원으로 텍스트, 이미지 등 다양한 데이터 형식 학습 가능  

### 에이전트 중심 설계
- Forge는 **코드 에이전트**가 주요 사용자로 설계됨  
  - 예: **Mistral Vibe** 같은 자율 에이전트가 모델 미세조정, 하이퍼파라미터 탐색, 작업 스케줄링, 합성 데이터 생성 수행  
  - Forge는 학습 중 **평가 지표 모니터링**을 통해 성능 저하 방지  
  - 인프라 관리와 데이터 파이프라인 레시피를 포함해, **자연어 명령만으로 모델 커스터마이징** 가능  

### 지속적 개선과 평가
- Forge는 **지속적 적응형 학습**을 지원  
  - 강화학습 파이프라인을 통해 내부 피드백으로 모델 행동을 개선  
  - 평가 프레임워크로 내부 벤치마크, 규제 규칙, 도메인별 과제에 대한 테스트 가능  
- 결과적으로 **정적 배포가 아닌 지속 개선형 모델 수명주기** 구현  

### 엔터프라이즈 적용 사례
- **정부 기관**: 다국어 정책 문서와 행정 절차 학습으로 정책 분석·공공 서비스 지원  
- **금융 기관**: 규제 문서와 리스크 절차 학습으로 내부 거버넌스 일관성 확보  
- **소프트웨어 팀**: 사내 코드베이스 학습으로 구현·디버깅·리뷰 등 개발 생산성 향상  
- **제조업체**: 설계 사양과 유지보수 데이터 학습으로 진단 및 의사결정 지원  
- **대기업**: 내부 지식 시스템 기반 에이전트로 복잡한 워크플로우 지원 및 정보 검색 정확도 향상  

### 결론: 기업 중심 AI 인프라로의 전환
- AI 모델이 **기업 인프라의 핵심 계층**으로 자리잡는 가운데, **조직 지식의 모델화**가 중요해짐  
- Forge는 기업이 자체 데이터로 학습·정렬·평가 가능한 모델을 구축해 **전략 자산으로 발전**시키는 기반 제공  
- 이를 통해 AI를 외부 도구가 아닌 **조직 지식과 함께 진화하는 핵심 역량**으로 전환 가능

## Comments



### Comment 53308

- Author: neo
- Created: 2026-03-18T21:33:26+09:00
- Points: 1

###### [Hacker News 의견들](https://news.ycombinator.com/item?id=47418295) 
- 나는 **Mistral**이 마음에 듦. 비용과 EU 내 데이터 보관의 균형이 완벽함. 품질 저하도 거의 없음.  
  하지만 모델 이름 체계가 너무 혼란스러움. 예를 들어 Devstral 2라는 모델이 있는데, Codestral도 Devestral도 아님.  
  API에는 devstral-2512, devstral-latest, devstral-medium-latest 등 여러 이름이 있음.  
  devstral-latest가 맞겠지 싶어 지원팀에 문의했더니, 12시간 뒤에 “devstral 2는 devstral 2”라며 AI가 생성한 **IntelliJ 설정 가이드**를 보내줌.  
  문제는 그 가이드에 나온 화면이 실제로 존재하지 않음
  - 나도 그들의 사이트에서 완전히 길을 잃었음. 대신 [공식 문서](https://docs.mistral.ai/models/devstral-2-25-12)를 보면  
    devstral-2512, devstral-latest, devstral-medium-latest는 모두 devstral 2임.  
    labs-devstral-small-2512와 devstral-small-latest는 devstral small 2,  
    devstral-medium-2507은 devstral 1.0, devstral-small-2507은 devstral small 1.1임
  - 나도 같은 경험을 했음. 특히 **API 키 생성** 과정이 제품별로 분리되어 있어서 더 헷갈렸음
  - 내 인상으로는 이 회사가 개인 개발자보다는 **B2B 중심**으로 움직이는 듯함.  
    각 기업별 맞춤 워크플로우를 제공하려는 방향 같음.  
    아니면 Google처럼 부서 간 소통이 안 되는 문제일 수도 있음
  - “EU 내 데이터 보관”이 Mistral이 지지를 받는 이유라고 생각함.  
    모델 품질은 낮지만, 유럽 내에서는 그게 최선임.  
    물론 중국 모델을 유럽 서버에서 돌릴 수도 있겠지만 말임

- Mistral을 과소평가하지 말아야 함. **일반 서비스형 LLM**으로는 꽤 저렴하고,  
  거대 모델 대신 **맞춤형 모델링**에 집중하는 전략이 결국 빛을 볼 것 같음.  
  특히 규제가 많은 EU 환경에서 강점을 가질 수 있음.  
  세상은 코드 생성만 있는 게 아님
  - 나도 같은 생각임. 기업이 AI를 도입해 자동화하려면 이 접근이 최적임.  
    다만 이건 **진입장벽이 낮은 전략**이라 쉽게 복제될 수 있음.  
    ERP, CRM 등 각 제품별로 사전 학습 모델을 많이 확보하고,  
    고객사의 커스터마이징 데이터를 반영한 후속 모델을 판매한다면 그게 진짜 **모트(moat)** 가 될 것임.  
    조용히 계약을 성사시키는 게 핵심임
  - 하지만 LLM의 본질이 거대 모델(megalith)인데,  
    맞춤형 모델링이 그 방대한 지식을 어떻게 대체할 수 있을지 의문임
  - 나는 그들의 플랫폼으로 **소형 특화 모델**을 직접 학습시켜봤음.  
    데이터셋만 업로드하면 바로 엔드포인트에서 모델을 사용할 수 있음.  
    제약은 있지만 접근성을 크게 높여줌
  - 코딩용으로도 Vibe는 “앱 전체 작성”보다는 “함수 리팩터링”에 특화되어 있음.  
    로컬에서도 작동해서 개발자가 **통제권**을 유지할 수 있음
  - 솔직히 “유럽”이라는 이유 외에는 Mistral을 선택할 이유가 별로 없음.  
    모델 품질은 LLM 중 최하위 수준임

- “사전 학습(pre-training)”과 “후속 학습(post-training)”의 의미가 궁금했음.  
  실제로는 충분한 **클린 데이터셋**이 없을 텐데,  
  그들이 말하는 사전 학습이 진짜 기초 모델 학습인지, 아니면 SFT(지도 미세조정)인지 헷갈림.  
  어쩌면 내부 데이터를 기반으로 **합성 데이터**를 생성해 저해상도 지식 증류를 하는 걸지도 모름
  - 사전 학습은 기존 모델을 더 많은 **원시 텍스트**(PDF 등)에 노출시키는 것임.  
    목표는 여전히 다음 토큰 예측이므로 “continued pre-training”이라 부름.  
    후속 학습은 SFT, DPO, RL 등 인간 피드백 기반의 모든 과정임
  - 아마도 마케팅 용어로 **full fine-tuning**과 **PEFT/LoRA**를 구분한 것 같음
  - 내 추측으로는 사전 학습은 기존 모델 가중치를 더 많은 데이터로 다듬는 것이고,  
    후속 학습은 RAG처럼 프롬프트에 데이터를 추가하는 것임
  - 결국 “continued pretraining”을 의미하는 듯함
  - 기본 모델을 SFT로 미세조정하는 것과, DPO나 행동 기반 SFT로 조정하는 것을 구분한 표현 같음

- Forge의 설명을 보면, 기업 내부 문서나 코드베이스로 모델을 학습시켜  
  도메인 지식을 내재화한다고 함.  
  하지만 내 생각엔 **지식 습득**에는 파인튜닝보다 RAG가 더 효과적임.  
  파인튜닝은 모델의 “톤”을 바꾸는 데는 좋지만, 새로운 지식을 주입하긴 어려움

- 나는 Mistral의 접근법을 응원함.  
  거대 모델 경쟁 대신 **고객 맞춤형 엔지니어링**과 EU 시장에 집중하는 전략이 현명함
  - 철학적 주제에 대해 대화할 때 Mistral이 가장 뛰어남.  
    다른 모델은 독자의 이해 수준을 과도하게 걱정하지만,  
    Mistral은 깊고 기술적인 논의도 잘 따라감
  - 그들의 **OCR 모델**은 정말 최고(goated)임
  - 로컬 배포 지원도 제공함
  - Go Mistral!
  - .ai 다음은 .eu 시대가 올 것 같음. ai.eu 도메인도 기대됨

- 최근 Mistral이 정말 흥미로운 시도를 많이 하고 있음.  
  OpenAI나 Anthropic과 경쟁하기는 어렵지만,  
  **제품 설계의 독창성**이 돋보임.  
  개인적으로 그 회사에서 일해보고 싶을 정도임

- Mistral이 최근 멋진 기능을 많이 내놓고 있음.  
  최전선 모델은 아니지만, **소규모 기업이 직접 모델을 학습**하기 어렵다는 점을 고려하면  
  이런 툴은 큰 기회임.  
  특히 unsloth 같은 도구와 함께라면 학습이 훨씬 현실적으로 느껴짐

- 실제로 얼마나 많은 기업용 사례가 **파인튜닝**을 필요로 할까 궁금함.  
  단순히 RAG로 충분하지 않을까?
  - 작은 모델을 빠르고 저렴하게 **특화 학습**시키면  
    로그 분석, 도구 사용, 도메인 지식 반영 등에서 네트워크 LLM 호출을 줄일 수 있음
  - RAG는 단순히 문서를 검색해 답을 찾는 방식임.  
    반면 파인튜닝은 모델의 **추론 능력** 자체를 향상시킴
  - RAG는 이미 끝났음

- 이 접근법이 AI 수익 구조에 대해 시사하는 바가 흥미로움.  
  GPU 수량이 진입장벽이 되진 않을 것 같음.  
  오히려 **전문적이고 독점적인 데이터**가 진짜 모트가 될 것임.  
  기업의 내부 데이터에는 대체 불가능한 지식이 담겨 있음.  
  Mistral은 바로 그 점에 베팅하고 있음
  - 인간은 인터넷 전체보다 훨씬 적은 데이터로 학습하지만,  
    사실상 **35억 년의 진화 데이터**로 훈련된 존재라고도 볼 수 있음

- AI로 돈을 버는 가장 현명한 길임.  
  MongoDB도 [VoyageAI](https://www.voyageai.com/)를 통해  
  기업용 RAG와 맞춤형 모델 컨설팅 시장에 진입하고 있음