Oumi PBC是一家致力于推广开放人工智能平台的初创公司,与全球知名大学研究人员合作,今日推出了一个旨在自动化定制AI模型开发的平台。该平台定位为帮助企业摆脱对大型通用模型的依赖。
该公司表示,这一发布建立在其早期开源项目所积累的良好势头基础上,包括在GitHub上获得近9000个正面评价,并被数十家研究机构采用。新平台针对更广泛的受众,特别是那些缺乏时间或专业知识从零开始构建模型的企业团队。
该公司的核心主张是自动化传统上复杂的多步骤流程。首席执行官Manos Koukoumidis表示,企业越来越希望从大型封闭模型转向"小语言模型",即针对其特定需求量身定制的专业化替代方案。
"我们看到一波企业从大型现成模型开始,但现在希望转向开放的专业化小语言模型,"Koukoumidis说。这些模型具有更贴合具体项目需求、成本更低、延迟更短等优势。然而,构建定制模型的困难性阻碍了这一转变进程,这个过程可能需要数月时间。
端到端自动化
Oumi平台旨在通过自动化端到端工作流程来解决这一障碍,包括数据生成、评估、训练和迭代等步骤,这些是"AI工程师开发定制模型所采取的所有步骤"。
该公司声称,其系统构建定制AI模型的速度可比传统流程快100倍,将原本需要数周或数月的人工工作缩短至数小时或数分钟。
Oumi表示,通过允许用户用自然语言定义任务,该平台还能降低模型生成的技术门槛。"你只需要说'我想构建一个模型',然后启动它就行了,"Koukoumidis说。
平台随后自动化关键任务,如定义评估指标、生成合成数据以及基于性能差距改进模型。"它为你分析结果,自动合成数据,微调模型并持续迭代,"他说。"它自动化了工程师的所有步骤。"
该系统支持广泛的开放模型。定价基于使用量,包括训练和推理的计算和Token。Oumi表示,减少的工程工作量能够抵消成本。"它节省的人力工作量远高于你训练时将收到的账单,"Koukoumidis说。
作为公益公司运营的Oumi将该平台定位为去中心化AI开发更广泛努力的一部分。Koukoumidis表示,公司的目标是"民主化AI的使用,将AI的未来掌握在企业手中"。
Q&A
Q1:Oumi平台相比传统AI模型开发有什么优势?
A:Oumi平台可以将定制AI模型的构建速度提升100倍,将原本需要数周或数月的人工工作缩短至数小时或数分钟。它通过自动化端到端工作流程,包括数据生成、评估、训练和迭代等所有步骤,大大降低了技术门槛和时间成本。
Q2:小语言模型比大型通用模型有哪些好处?
A:小语言模型相比大型通用模型具有多个优势:更贴合具体项目的特定需求,运行成本更低,响应延迟更短。这些专业化的替代方案能够为企业提供更精准的解决方案,同时降低运营开支。
Q3:使用Oumi平台需要具备专业的AI开发技能吗?
A:不需要。Oumi平台允许用户用自然语言定义任务,用户只需要说"我想构建一个模型"然后启动即可。平台会自动处理评估指标定义、合成数据生成、模型微调和持续迭代等技术环节,大大降低了使用门槛。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。