企业渴望获得新型软件和 AI 工具,但又不敢冒险将敏感数据交给第三方软件即服务 (SaaS) 供应商。Tensor9 致力于帮助软件公司获得更多企业客户,通过将他们的软件直接部署到客户的技术架构中来实现这一目标。
Tensor9 将软件供应商的代码转换成适合在客户技术环境中部署的格式。随后,Tensor9 利用数字孪生技术创建部署软件的数字复制品,即对部署软件基础设施的缩小模型,使 Tensor9 的客户能够监控软件在客户环境中的运行情况。Tensor9 能够协助公司在从云端到裸金属服务器等任意环境中进行部署。
Tensor9 联合创始人兼 CEO Michael Ten-Pow 告诉 TechCrunch,Tensor9 将软件转移到任意环境的能力,以及利用数字孪生技术进行远程监控的运用,使其在业内与其他如 Octopus Deploy 或 Nuon 同类公司形成了区别,这些公司同样帮助企业将软件部署到客户环境中。
Ten-Pow表示:“你不能仅仅把一段软件‘抛过墙去’,或者说很难把软件抛过墙去后,还能知道运行状况,定位问题、调试并解决问题。通过我们的方案,客户可以看到软件的运行状态,可以调试、登录系统,了解并解决问题。”
他表示,借助 AI 技术的兴起产生的顺风使得 Tensor9 的技术时机成熟。企业和金融机构都希望采用 AI 技术,但又不敢将数据交给第三方处理。
Ten-Pow 说道:“比如一家企业级搜索供应商如果去向 J.P. Morgan 提出‘嗨,我需要访问你们那 6 个拍字节的数据,来构建一层智能搜索系统,以便你们内部员工能够与公司数据进行对话’,这显然行不通。”
作为前 AWS 工程师,Ten-Pow 表示自己经历了一条“漫长而颇曲折的道路”才推出 Tensor9。他在构思其他未能成功的点子时,萌生了创办公司的念头。当时他花了一些时间探索如何让软件供应商更便捷地获得 SOC 2 认证(一种网络安全合规框架),以帮助他们满足要求供应商必须具备此认证的客户需求。
虽然这一方向未见成效,但他从与客户的交流中发现,企业真正需要的,是能够让软件直接在他们自己的技术环境中运行。然而,许多软件公司,尤其是初创企业,并没有资源为每个企业客户提供定制的本地部署选项。
这种需求成为了 Tensor9 的基础,Ten-Pow 于是于 2024 年推出了 Tensor9。同年稍晚,他邀请了两位前 AWS 同事 Matthew Michie 和 Matthew Shanker 加入成为联合创始人。
公司最早在语音 AI 公司中获得了初步的市场认可。从那时起,他们开始拓展到其他领域,包括企业级搜索、企业级数据库和数据管理。目前,该公司与多家 AI 公司合作,如 11x、Retell AI 和 Dyna AI 等。
Tensor9 在第一年实现自助融资,近日成功完成了由 Wing VC 领投、Level Up Ventures、Model Ventures 的 Devang Sachdev、前 Nvidia 员工成立的天使投资团 NVAngels 以及其他天使投资人参与的 400 万美元种子轮融资。Ten-Pow 表示,要让投资者看好这一想法并不太难,因为他们接触的风投公司都曾目睹旗下公司正为同样的问题苦恼。Tensor9 只需说服投资者,他们正是解决这一问题的最佳团队。
Ten-Pow 说:“我们的模式看似简单,但在其背后蕴藏着大量复杂技术挑战,我们已经成功解决了这些难题,这也是我们获得投资者青睐的原因之一。”
该公司计划利用这笔资金进行人才招聘,并构建下一代技术,从而能够服务于更多领域的客户。
Ten-Pow 补充道:“从本地部署到云端已经经历了一次演进,我们认为软件应当在需要它的地方运行,这一理念实际上是在整合以往的本地部署与云端思想,是下一步的发展。”
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。