把模型跑起来的工程实践：推理优化、显存与成本、Serving 架构与基础设施选型。
Mistral 在 Le Chat 中发布 20 多个基于 MCP 的安全连接器（beta），覆盖数据、生产力、开发、自动化与商务等类别，包括 Databricks、Snowflake、GitHub、Atlassian、Asana、Outlook、Box、Stripe、Zapier 等，并支持添加自定义 MCP 连接器及连接任意远程 MCP 服务器。
推荐理由：官方给出连接器目录、自定义 MCP 与记忆功能的开放范围，读者可据此判断企业工作流接入方式。
Mistral AI 发布 Codestral 25.08，并推出覆盖补全、代码语义检索和智能体工作流的企业级编码栈。Codestral 25.08 相比此前版本接受的补全增加 30%，建议后保留代码增加 10%，失控生成减少 50%。
推荐理由：Mistral 把补全、代码检索和智能体工作流打包成可私有部署的企业编码栈，读者可据此判断自托管 AI 编码方案的落地边界。
Qwen 通过 Qwen API 推出翻译模型 Qwen-MT（qwen-mt-turbo），基于 Qwen3 并利用数万亿多语言与翻译 token 训练，结合强化学习提升翻译准确度与流畅度。
推荐理由：原文给出 92 种语言支持、术语干预与低至每百万输出 token 0.5 美元的定价，便于评估翻译场景的落地成本。
Mistral AI 发布 Mistral Compute，提供从裸金属服务器到全托管 PaaS 的私有集成 AI 基础设施栈，涵盖 GPU、编排、API、产品与服务。
推荐理由：Mistral 把自建训练与推理基础设施对外开放，读者可据此判断欧洲主权 AI 算力供给的另一种选择。
Mistral 发布企业级 AI 编码助手 Mistral Code，整合 Codestral、Codestral Embed、Devstral 和 Mistral Medium 四个模型，提供 IDE 插件、本地部署选项与企业管控工具，基于开源项目 Continue 构建。
推荐理由：Mistral 把模型、IDE 插件与企业管控打包成单一供应商方案，读者可据此判断企业级编码助手的落地路径。
Mistral AI 发布首个面向代码的嵌入模型 Codestral Embed，官方称其在真实代码检索任务上优于 Voyage Code 3、Cohere Embed v4.0 和 OpenAI 的大型嵌入模型。
推荐理由：官方给出代码嵌入模型与三家竞品的对比，以及维度与精度的取舍方式，便于评估检索成本。
Mistral 发布 Agents API，将自家语言模型与代码执行、图像生成、文档库、Web 搜索等内置连接器以及 MCP 工具结合，并提供跨对话的持久记忆与智能体编排能力。
推荐理由：官方给出 Agents API 的内置连接器、状态化对话与多智能体编排能力，读者可据此判断企业级智能体平台的搭建方式。
Mistral AI 发布 Le Chat Enterprise，一款由全新 Mistral Medium 3 模型驱动的企业级 AI 助手，包含企业搜索、Agent 构建器、自定义数据与工具连接器、文档库、自定义模型和混合部署等功能，全部功能将在未来两周内陆续上线。
推荐理由：官方给出 Le Chat Enterprise 的功能清单与部署方式，可据此判断企业级 AI 助手的集成与私有化选项。
Mistral AI 发布 Mistral Medium 3，称其在多项基准上达到 Claude Sonnet 3.7 的 90% 以上，价格为每百万 token 输入 0.4 美元、输出 2 美元。
推荐理由：官方给出 Mistral Medium 3 的定价、对标模型与部署门槛，可据此判断企业自部署的成本与可行性。
Mistral AI 发布光学字符识别 API Mistral OCR，可接收图片和 PDF，按顺序交错输出文本与图像，并支持将文档作为提示词生成 JSON 等结构化结果。
推荐理由：官方给出 Mistral OCR 的定价、基准对比与自托管选项，可据此判断多模态文档解析的选型与成本。
Qwen 开源 Qwen2.5-7B-Instruct-1M 和 Qwen2.5-14B-Instruct-1M 两个模型，首次将开源 Qwen 模型的上下文长度提升到 1M token。
推荐理由：原文给出两个开源长上下文模型及配套 vLLM 推理框架，读者可据此评估本地部署 1M token 场景的硬件门槛与提速幅度。
Qwen2.5-Turbo 发布，上下文长度从 128k 扩展到 1M，约合 100 万英文单词或 150 万汉字。该模型在 1M 长度的 Passkey Retrieval 任务上准确率 100%，RULER 得分 93.1，超过 GPT-4 的 91.6 和 GLM4-9B-1M 的 89.9。
推荐理由：原文给出上下文从 128k 扩展到 1M 的实测数据与推理加速幅度，可据此判断长文本场景的可用边界。