Forge 在 AI 领域近期呈现两种不同方向的进展。一方面，Mistral AI 推出了名为 "Forge" 的企业级平台，允许公司利用自有数据训练和微调前沿 AI 模型，主打数据隐私和定制化能力，旨在降低企业应用 AI 的门槛（Mistral AI 推出 Forge，让企业用自有数据训练前沿 AI 模型）。另一方面，在代码审查场景中，开发者 Viking 提出了 "review-forge" 流程，通过多模型交叉审核来提升 AI 代码审查的准确性和覆盖度，这是一种利用多个 AI 模型协作的方法，而非单一模型（开源 review-forge：多模型交叉审核 AI 代码的流程）。在他的实践中，AI 辅助代码审查需要结合具体工作流，例如分阶段检查或引入外部上下文（我是怎样使用 AI 来做 Code Review 的？）。此外，MiniMax 发布了 M2 模型的论文，揭示了其通过自我进化机制提升性能的路径，并预告了 M3 系列模型，显示了在基础模型上的持续投入（MiniMax 开源 M2 论文，M3 蓄势待发 ；MiniMax 预告 M3 系列模型，M2 论文揭示自我进化能力）。
当前焦点在于 Forge 所指的具体技术方向：是作为企业私有化部署的平台，还是作为开发者社区中多模型协作的实践框架。两者都强调灵活性和可定制性，但应用场景不同。未来观察点：Mistral AI 的 Forge 平台如何与企业现有基础设施融合，以及 review-forge 的跨模型协同机制能否为代码质量提供实质性提升。