前Twitter产品主管Kayvon Beykpour周三宣布推出Macroscope,这是一个面向开发者和产品负责人的AI系统,能够总结代码库更新并捕获漏洞等功能。
Beykpour曾将视频直播初创公司Periscope出售给Twitter,如今他担任Macroscope的CEO。该公司于2023年7月成立,联合创始人包括儿时好友Joe Bernstein,以及曾将计算机视觉和机器学习公司Magic Pony Technology出售给Twitter的Rob Bishop。
该公司将其产品描述为"AI驱动的理解引擎",旨在为工程师节省时间。Beykpour表示,目前工程师使用JIRA、Linear和电子表格等各种工具来跟踪工作进度,在会议上花费太多时间而不是专注于开发,Macroscope正是为了解决这个问题而设计的。
"无论是在我们自己创建的初创公司,还是像Twitter这样的大型公司,我都深刻体验过这种痛苦,"Beykpour在接受采访时说道。"试图了解每个人在做什么,特别是当你在像Twitter这样拥有数千名工程师的组织中时,这几乎占据了我作为Twitter产品主管工作的大部分时间,也是我最不喜欢的部分。"
为了解决这些问题,Macroscope的客户首先需要安装其GitHub应用程序,该应用程序可以访问代码库。然后他们可以选择安装其他集成,如Slack应用、Linear应用和JIRA应用。软件随后通过分析代码并记录变更来完成其余工作。
这涉及一个称为代码遍历的过程,使用抽象语法树(AST)——编程代码的结构化表示——来收集关于客户代码库如何工作的重要上下文。然后将这些知识与大语言模型结合使用。
一旦运行起来,工程师可以使用Macroscope在他们的拉取请求中发现需要修复的漏洞,总结拉取请求,获得代码库变更摘要,并提出基于代码研究的问题。与此同时,产品负责人可以使用该软件获得产品更新的实时摘要、生产力见解、关于产品、代码或开发活动的自然语言问题的答案等。这可以帮助他们确定团队在工程资源分配方面的优先级。
"无论你的技术能力如何,你都可以提出自然语言问题,"Beykpour指出。"如果你想了解代码库而不打扰团队中的高级工程师,这可能非常有用。如果你是CEO,想要了解'我们这周完成了什么?',你的选择要么是询问Macroscope,要么去打扰一些队友。其中一个比另一个昂贵得多。"
虽然没有产品能够直接与Macroscope提供的所有功能竞争,但它确实在代码审查领域存在竞争——在这个领域,开发者在实施代码更改之前检查和测试代码更改——竞争对手包括CodeRabbit、Cursor Bugbot、Graphite Diamond、Greptile等工具。不过,该公司表示,在对100多个真实世界漏洞进行内部基准测试时,其产品比次佳工具多发现了5%的漏洞,同时生成的评论减少了75%。
该软件每月每个活跃开发者收费30美元,最少5个席位起,并为大型企业提供企业定价和定制集成。它需要使用GitHub Cloud。在正式发布之前,许多初创公司和大型企业已经在使用该产品,包括XMTP、Things、United Masters、Bilt、Class.com、Seed.com、ParkHub、A24 Labs等。
这家位于旧金山的初创公司拥有20人团队,获得了3000万美元的A轮融资支持,该轮融资于7月完成,由Lightspeed的Michael Mignano领投。其他投资者包括Adverb、Thrive Capital和Google Ventures。迄今为止,Macroscope总共筹集了4000万美元。
Q&A
Q1:Macroscope是什么产品?主要解决什么问题?
A:Macroscope是一个AI驱动的代码理解引擎,主要解决工程师在跟踪代码库更新、发现漏洞和团队协作方面花费过多时间的问题。它能够自动分析代码变更、总结更新内容,让开发者和产品负责人更高效地了解项目进展。
Q2:Macroscope的核心技术原理是什么?
A:Macroscope使用代码遍历技术,通过抽象语法树(AST)来获取代码库的结构化表示,收集代码如何工作的重要上下文信息。然后将这些知识与大语言模型结合,实现代码分析、漏洞检测和自然语言问答等功能。
Q3:使用Macroscope需要多少费用?有什么要求?
A:Macroscope每月每个活跃开发者收费30美元,最少需要购买5个席位。使用该产品需要GitHub Cloud支持,客户需要先安装GitHub应用程序,然后可以选择性地集成Slack、Linear、JIRA等其他工具。
好文章,需要你的鼓励
来自北京大学多媒体信息处理国家重点实验室和小鹏汽车的研究团队发布了一项重要研究成果,提出了一种名为FastDriveVLA的创新框架,让自动驾驶AI能够像人类司机一样,学会在纷繁复杂的道路场景中快速识别并聚焦于真正重要的视觉信息。
清华团队开发DKT模型,利用视频扩散AI技术成功解决透明物体深度估计难题。该研究创建了首个透明物体视频数据集TransPhy3D,通过改造预训练视频生成模型,实现了准确的透明物体深度和法向量估计。在机器人抓取实验中,DKT将成功率提升至73%,为智能系统处理复杂视觉场景开辟新路径。
TechCrunch年度创业战场大赛从数千份申请中筛选出200强,其中20强进入决赛角逐10万美元大奖。本次消费科技和教育科技领域共有26家公司入选,涵盖无障碍出行、AI视频制作、服装租赁、护肤推荐、纹身预约等创新应用,以及AI语言学习、个性化数学教育、职场沟通培训等教育科技解决方案,展现了科技创新在日常生活和教育领域的广泛应用前景。
字节跳动研究团队提出了专家-路由器耦合损失方法,解决混合专家模型中路由器无法准确理解专家能力的问题。该方法通过让每个专家对其代表性任务产生最强响应,同时确保代表性任务在对应专家处获得最佳处理,建立了专家与路由器的紧密联系。实验表明该方法显著提升了从30亿到150亿参数模型的性能,训练开销仅增加0.2%-0.8%,为混合专家模型优化提供了高效实用的解决方案。