Cohere Inc. 今日推出了 North,这是一款旨在让企业员工更便捷地使用其人工智能模型的新产品。
公司将这款产品描述为"安全的 AI 工作平台",目前通过早期访问计划提供服务。
总部位于多伦多的 Cohere 开发了一系列名为 Command 的大语言模型。与 OpenAI 不同,该公司并不提供面向消费者的聊天机器人服务,而是专注于企业市场。在去年 7 月完成 5 亿美元融资后,Cohere 的估值达到了 55 亿美元。
作为公司的新产品,North 提供了一个聊天机器人界面,让客户能够与其 Command 大语言模型系列进行交互。员工可以使用该工具分析财务报告、查找文档以及执行其他商务任务。North 不仅可以在回应中包含文本,还能包含图表等其他数据。
用户可以通过创建 AI 代理来定制 North,这些 AI 程序针对特定任务进行了优化。例如,人力资源专员可以构建一个代理来自动化部分新员工入职工作。Cohere 表示,创建 AI 代理只需要点击几下,无需编程专业知识。
在内部评估中,公司将 North 与 Microsoft Copilot 和 Google Vertex AI Agent Builder 在金融、人力资源、客户支持和 IT 任务方面进行了对比。Cohere 表示其产品在所有四个类别中都优于竞争对手。测试使用了名为 Llama Index 的基准,只要 AI 生成的答案"至少相关且正确"即可接受。
在技术层面,North 不仅由 Command 驱动,还搭载了 Cohere 的 Compass 产品。后者是一个 AI 驱动的搜索工具,可以在公司系统中查找特定数据片段,并使其可供 AI 模型使用。它不仅可以从文档中提取数据,还能处理幻灯片、图片和电子表格等多模态文件。
Compass 基于两个 AI 模型。第一个是 Embed,它将数据转换为嵌入向量,这种数学表示方式使 AI 模型比处理原始商业文档更容易处理。另一个模型是 Rerank,它分析用户查询返回的信息,并对最相关的项目进行优先排序。
据 Cohere 介绍,North 可以在云端和本地部署。它能够在气隙环境中运行,即出于网络安全考虑与公司其他网络和互联网隔离的环境。这可能使高度监管行业的组织更容易采用 North。
Cohere 创始人兼首席执行官 Aidan Gomez 在博客文章中写道:"当前的自建式 AI 部署方式给组织带来了巨大负担,需要投入时间、专业知识和资源来开发定制解决方案并维护它们。North 帮助避免这些痛点,缩短了客户的价值实现时间。"
Cohere 表示,加拿大皇家银行是使用 North 的早期客户之一。据该大语言模型提供商称,他们将与该银行合作开发针对金融行业优化的软件版本。这表明 Cohere 未来可能会推出更多针对特定行业的版本。
North 的推出大约发生在 OpenAI 推出 canvas 两个月之后,后者是 ChatGPT 的一个面向生产力的界面。该功能主要针对写作和编程任务,包含一个大型界面面板,用于显示用户的代码或文本,以及 AI 生成的编辑建议。
图片来源:Cohere
好文章,需要你的鼓励
前谷歌资深工程师David Petrou创立的AI初创公司Continua宣布完成800万美元种子轮融资,由GV领投。该公司开发AI智能体技术,可加入SMS、iMessage和Discord等群聊平台,为用户协作提供智能支持。Continua能够在群聊中自动设置提醒、发起投票、添加日历邀请或生成待办清单,解决群聊混乱问题。公司通过微调技术让AI理解群聊动态,具备社交智能,只在需要时提供帮助。
艾伦人工智能研究院开发的MolmoAct是首个开源的机器人空间推理模型,通过"看懂-规划-执行"三步思考法让机器人具备类人的空间理解能力。它不仅在多项基准测试中表现优异,还支持直观的视觉轨迹调教,用户可直接在屏幕上画线指导机器人行为。研究团队完全开源了模型、代码和数据集,为全球机器人研究提供强大基础平台。
Anthropic宣布为企业客户增加Claude单次提示词的信息处理量,以吸引更多开发者使用其AI编程模型。Claude Sonnet 4现支持100万token上下文窗口,可处理75万词或7.5万行代码的请求,是此前限制的5倍,超过OpenAI GPT-5的40万token。该功能也将通过Amazon Bedrock和Google Cloud等云合作伙伴提供。更大的上下文窗口有助于AI模型更好地处理软件工程问题和长期自主编程任务。
这项由北京大学和清华大学联合完成的研究首次提出时间自奖励语言模型,通过"锚定拒绝"和"未来引导选择"策略解决了AI自学习中的梯度消失问题。该方法让AI既能从过去的低水平样本中学习反面教材,又能向未来的高水平样本学习正面目标,成功维持了清晰的学习对比信号,在多个基准测试中显著优于传统自奖励方法。