Kong Inc.是一家专门开发应用程序接口管理工具的公司,今日宣布收购OpenMeter,后者是基于使用量计费和账单开源平台的开发商。
此次收购未披露具体条款。OpenMeter是Tailfin Cloud Inc.的商业品牌,其收购将为Kong的统一API平台Kong Konnect增加原生货币化功能,使企业能够大规模测量、定价并将API、AI Token和数据流变现。
这一举措针对API成为AI模型和服务主要接口的新趋势。这些AI服务通常以机器速度和高容量运行,这对为人类交互节奏设计的计费系统构成了挑战。随着API越来越多地用于销售AI生成的Token和服务,Kong表示需要一种将API管理与实时使用跟踪和计费相结合的新型平台。
OpenMeter的技术将作为API、AI和数据流货币化的核心功能集成到Kong Konnect中。这种结合将允许产品经理实施基于消费的定价模型,包括自定义触发器、阈值和定价。客户将能够在Kong的API网关内定义使用限制,并根据权限控制功能访问。
Kong产品副总裁Ross Kukulinski表示:"我们看到初创公司和大型企业都在出现全新的使用场景,新的业务部门正围绕AI和大语言模型启动。OpenMeter提供了他们所需的计费引擎。"
集成预计将在2026年初完成。在此之前,OpenMeter Cloud将继续运营,定价或许可不会发生变化。计划在2026年中期完成客户向Kong Konnect的全面迁移,提供增强的安全性、合规性和多区域部署。
Kukulinski表示,添加OpenMeter技术将产生额外费用,但客户可以选择退出。"我们将Kong Konnect设计为模块化架构,"他说。"我们希望为客户提供选择合适的积木块来构建他们所创造的任何东西的自主权。"
OpenMeter的架构允许开发人员向中央平台发送各种事件类型,而业务团队管理定价和打包。Kukulinski表示,这种职责分离以及OpenMeter的开源基础使该公司成为Kong的天然合作伙伴。
"我们寻找一个具有出色开发体验、为规模化构建、并专为AI原生应用设计的系统,"他说。"OpenMeter的团队和技术满足了所有要求。"
Kong此前依赖第三方作为插件提供计费功能。尽管该功能现在嵌入到主平台中,但这些合作关系将继续。
对于OpenMeter来说,这笔交易为客户创造了机会,联合创始人兼首席执行官Peter Marton表示:"许多现有的OpenMeter客户将非常感兴趣与Kong API产品进行更紧密的集成。"
此次收购包括OpenMeter的全部七名团队成员,包括联合创始人Peter Marton和Andras Toth。
Q&A
Q1:Kong收购OpenMeter主要是为了什么?
A:Kong收购OpenMeter是为了在其Kong Konnect平台中增加原生货币化功能,使企业能够大规模测量、定价并将API、AI Token和数据流变现。这主要针对API成为AI模型和服务主要接口的新趋势,因为传统计费系统难以处理机器速度和高容量的AI服务交互。
Q2:OpenMeter技术集成后会带来什么新功能?
A:OpenMeter技术集成后,产品经理可以实施基于消费的定价模型,包括自定义触发器、阈值和定价。客户能够在Kong的API网关内定义使用限制,并根据权限控制功能访问。该平台还允许开发人员向中央平台发送各种事件类型,而业务团队管理定价和打包。
Q3:这次收购的时间安排是怎样的?
A:集成预计将在2026年初完成。在此之前,OpenMeter Cloud将继续运营,定价或许可不会发生变化。计划在2026年中期完成客户向Kong Konnect的全面迁移,届时将提供增强的安全性、合规性和多区域部署功能。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
Google DeepMind团队发布了EmbeddingGemma,这是一个仅有3.08亿参数的轻量级文本理解模型,却能达到7亿参数模型的性能水平。该模型在权威的多语言文本嵌入基准测试中排名第一,支持250多种语言,特别适合移动设备部署。研究团队通过创新的编码器-解码器初始化、三重损失函数训练和模型融合技术,实现了性能与效率的完美平衡,为AI技术普及化开辟了新路径。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
日本奈良先端科学技术大学等机构首次深入研究AI编程工具Claude Code在真实开源项目中的表现。通过分析567个代码贡献,发现83.8%被成功接受,54.9%无需修改直接使用。AI擅长重构、测试和文档工作,但需要人工修正bug处理、代码风格等问题。研究揭示了AI编程工具的实际能力边界和改进方向。