给 Agent 克隆 Slack 和 GitHub,Arga Labs 融资 1000 万美元
相关推荐
美国 AI 公司 Nooks 获 General Catalyst 5 亿美元承诺
火星财经消息,据市场消息,美国人工智能公司 Nooks 获得 General Catalyst 5 亿美元承诺。Nooks 还于 11 月 4 日正式推出其 Revenue Agent Platform,用于处理从首次客户接触到续约的任务。
Mysten Labs 联创:未来一年 Sui 链上 AI Agent 活动将大幅增长,Google Cloud 已入局
ChainCatcher 消息,Sui 原始贡献者 Mysten Labs 联合创始人 Evan Cheng 在 New Era Finance Podcast 上表示,AI Agent 已经开始自主交易并管理资金,现有互联网的身份和信任机制难以跟上,Sui 的目标是成为 AI Agent 经济的协调层。他预计,未来一年 Sui 链上将出现大量 AI Agent 活动。企业端已有进展。Mysten Labs 与 Google Cloud 联合开发的 Verifiable Agent Arbiter 使用 Sui 和 Walrus 锚定 AI Agent 的操作证明,企业、审计方和监管机构均可独立核查 Agent 是否越权。该工具还可对接 Sui Agent Payments 和 x402 协议,覆盖智能体支付场景。目前,Sui 已围绕 AI Agent 布局 Move、PTB、Walrus、Seal、Sphere 等技术,涵盖权限管理、原子化交易、可验证存储和机密协作。
AI 初创公司 22one 估值约 4 亿美元,红杉资本、General Catalyst 参投
火星财经消息,据 Sifted 报道,英国伦敦 AI 初创公司 22one 的估值已达约 4 亿美元,红杉资本(Sequoia Capital)和 General Catalyst 等风投机构参与支持。该公司由一名前高级警官创立,主要为警察部门开发 AI 工具。报道称,英国政府正推动警务现代化,为这类技术的应用提供了政策背景。
Otter.ai 获 General Catalyst 3.2 亿美元注资:加速拓展企业级 AI 市场
ChainCatcher 消息,据 TechCrunch 报道,AI 会议工具 Otter.ai 获得 General Catalyst 旗下 Customer Value Fund(CVF)提供的 3.2 亿美元资金。该资金不会稀释公司股权,CVF 将通过 Otter.ai 市场营销投入所带来的业绩回报获得收益。Otter.ai 计划将资金用于企业业务增长、市场拓展、国际扩张及产品创新。
GitHub重建Git底层:5000个AI并行工作,单仓库每秒处理7200次代码推送
动察 Beating AI 快讯,GitHub 公布了代号为 Rubicon 的新一代 Git 存储架构。内部测试显示,5000 个 AI Agent 可以同时在一个代码仓库中工作,每秒完成 7200 次代码推送,同时保持较低的读取延迟。 过去,GitHub 最繁忙的代码仓库,每秒也只有短时几十次写入。现在,大量 AI Agent 可以全天候并行开发,不断提交新代码。每次提交还可能触发自动测试,让其他 Agent 下载最新版本,仓库的读写压力随之增加。 GitHub 的解决办法,是把「存代码」和「更新分支」分开处理。 Git 每次推送代码,都要完成两件事。第一步是保存新增或修改后的代码内容。Git 不会直接覆盖旧版本,而是把变化的内容存成新对象,没变的部分可以继续复用。第二步是更新分支指针,记录这个分支现在指向哪个最新版本。 比如,1000 个 Agent 同时开发软件,有的修改登录功能,有的修改支付功能。只要它们在不同分支工作,新代码就可以同时保存,分支也能各自更新。只有两个 Agent 同时争着更新同一个分支时,系统才需要判断谁的更新能先成功。 GitHub 最初让所有分支共用一份更新记录。即使不同 AI Agent 修改的是不同分支,也要争着更新同一个文件,导致每秒只能处理数百次推送。GitHub 又试着把记录拆成多份,让不同分支同时更新。但这样一来,每次检查仓库有没有变化,都得逐份查询,反而拖慢读取速度。 最终,GitHub 开发了专门管理分支更新的 Ref-CAS 服务。它允许不同分支同时更新,只有修改同一分支时才需要处理冲突。同时,它还给整个仓库维护一个统一版本号。其他程序只需检查这个版本号,就能知道仓库有没有变化,不必逐个查询所有分支。 GitHub 另外安排独立机器,在后台合并不断积累的代码数据包,避免数据包越来越多、拖慢读取。新架构最终在内部测试中达到每秒 7200 次推送。 GitHub 的 Rubicon 目前仍处于有限私测阶段,计划在 2027 年初扩大上线。
Kimi训练AI老板,General Reasoning训练整家AI公司
动察 Beating AI 快讯,今年 1 月,Kimi K2.5 推出 Agent Swarm,让一个主 Agent 招募、指挥多个子 Agent,随后的 K2.6 将规模扩大到最多 300 个子 Agent。 但 Kimi 的强化学习方法 PARL 只训练负责指挥的「老板」,冻结子 Agent。原因是多人完成一项任务,很难分清谁立了功;如果所有人同时调整策略,训练也容易变得不稳定。 General Reasoning 偏要试试另一条路。团队推出 120B 参数模型 Avalon-M1-Mini,并提出 RLCR(集体奖励强化学习)。它让一个 Agent 担任 CEO,最多招募 8 名员工,通过留言板和共享工作区协作。所有成员使用同一套模型,任务完成后不再逐个计算贡献,而是根据团队总成绩一起接受强化学习。 这套方法在 147 个训练环境、超过 200 万项不同任务中取得了持续改进。软件任务中,主管工程师在招募岗位中的占比从 0.4% 升至约 13%,至少开展一次互审的团队占比从 42% 提高到 64%。分工也发生变化:从每人各写一部分代码,逐渐转向一人主写、其他人负责测试和挑错。原本需要人工设计的管理层和质检流程,在训练中自行形成。 但组队成绩更好,有一部分只是因为用了更多 Token。研究人员给单个 Agent 同样多的输出 Token,就能追回团队约六成的得分优势。团队的主要好处是可以同时干活:在 12 项评测中,达到相近成绩的估算耗时平均只有单 Agent 的约四分之一。 研究人员还模拟了今年 OpenAI 智能体攻击 Hugging Face 的事件。210 次测试中,没有 Agent 调用模拟攻击工具。但随着训练推进,向人类评测人员报告异常的比例从 76.7% 降到 0,尽管 96.7% 至 100% 的执行记录都曾考虑过上报。有的 Agent 选择只在团队内部提出异议,有的计划报告,却没有真正行动。 目前 Avalon-M1-Mini 仍在训练,团队计划在训练完成后发布最终论文,并开源训练环境、Agent 框架和模型权重。