瑞典智能体运营初创公司Kovant(正式名称为Kovan AB)今日在全球推出其平台,此前该公司完成了由J12 Ventures领投的150万美元种子前融资。
本轮融资还获得了Ampli、Green Ventures以及多位知名天使投资人的参与。
总部位于斯德哥尔摩的Kovant表示,希望帮助工业企业找到部署人工智能智能体的方法,从而自动化各种业务功能并提高生产力,同时确保完全合规并不会将敏感数据暴露于不必要的风险中。
这家初创公司创建了一个专注于管理"智能体工作团队"的平台。该公司认为,这是一种比微软公司和Salesforce公司等科技巨头部署的高度专业化、一次性副驾驶和机器人更加雄心勃勃的智能体AI方法。相反,它创建了一个管理整个专业化AI智能体群的平台,这些智能体可以自主执行采购、库存管理、供应链运营、客户成功、营销和合规等各个功能领域的核心业务任务。
为了实现这一目标,它开发了一种新颖的架构,就像AI聊天机器人式的礼宾服务。企业可以基于小语言模型而非更加资源密集型的大语言模型来部署和管理整个智能体群。
其每个小语言模型都经过训练,擅长一个特定功能,而不像大语言模型那样设计用于执行许多不同类型的任务。例如,在采购方面,它为协调供应商、自动化工作流程以及管理支出、风险和绩效构建了单独的智能体。同时,对于销售和报价运营,它提供专门处理复杂请求、招标和此类工作其他方面的智能体。
Kovant表示,通过使用小语言模型,它可以减少AI幻觉的风险。其每个智能体都在明确定义的护栏内运行,使它们合规,提高准确性并确保完全可审计性。然而,尽管体积较小,这家初创公司表示,它们也能够在运行时持续学习,随着时间推移提高准确性。
J12 Ventures创始合伙人Emmet King表示,Kovant的方法更适合工业企业,因为它们仍然极度依赖碎片化系统和手动流程。他说:"这些环境的刚性和孤岛化性质使得AI部署变得非常困难,这就是为什么大多数企业从这项技术中看到的投资回报率很少的原因。Kovant有一条可信的路径来改变这种状况,并对企业运营产生真正的可扩展影响。"
Kovant迄今为止可能没有吸引太多资金,因为150万美元与投资在其他一些AI初创公司的数十亿美元相比只是沧海一粟,但它声称也不需要大量资金。自一年前以隐身模式推出以来,它已经在瑞典、挪威和丹麦等国家签下了多家企业客户,迄今为止获得了超过100万美元的收入。
其创始团队在AI行业也有丰富的资历。联合创始人兼首席执行官Ali Sarrafi此前领导了一家名为Silo AI的初创公司,该公司后来被Advanced Micro Devices公司收购。在此之前,他负责Spotify公司的许多AI计划,而其团队的其他成员包括来自Meta Platforms公司、Amazon.com公司和Google公司的资深人士。
King说:"该团队在大公司构建数据产品和数据基础设施以及用AI转型企业方面拥有出色的先前经验,他们以罕见的速度和精确度前进,已经在塑造企业如何运营AI并从中获得巨大价值。"
Saraffi解释说,企业需要一个AI处理任务执行的系统,这样人们就可以专注于需要人类判断力和创造力的事情。他说:"重要的是......真正的损益影响,而不是构建更多智能体或运行无休止的概念验证。[我们正在构建]可以在几周而不是几个月内实现的东西。这笔资金是为了将这种方法扩展到更大的规模,并表明企业可以从AI中获得真正的、可衡量的结果。"
最终,Saraffi希望将Kovant发展成瑞典众多"独角兽"中的下一个,这些公司的估值已超过10亿美元,并强化了该国作为某种"硅谷瓦尔哈拉"的声誉。但要做到这一点,它需要扩展到目前服务的北欧市场之外。虽然它正在全球推出其平台,但其最初的营销努力将专注于在欧洲扩展,特别是在瑞士、比利时和荷兰。
Q&A
Q1:Kovant的智能体工作团队平台有什么特点?
A:Kovant创建了一个管理整个专业化AI智能体群的平台,这些智能体可以自主执行采购、库存管理、供应链运营、客户成功、营销和合规等各个功能领域的核心业务任务。与传统方法不同,它基于小语言模型而非大语言模型来部署智能体。
Q2:为什么Kovant选择使用小语言模型而不是大语言模型?
A:每个小语言模型都经过训练擅长一个特定功能,而大语言模型设计用于执行许多不同类型的任务。通过使用小语言模型,Kovant可以减少AI幻觉的风险,每个智能体都在明确定义的护栏内运行,使它们合规,提高准确性并确保完全可审计性。
Q3:Kovant目前的市场表现如何?
A:自一年前以隐身模式推出以来,Kovant已经在瑞典、挪威和丹麦等国家签下了多家企业客户,迄今为止获得了超过100万美元的收入。该公司刚刚完成了150万美元的种子前融资,正准备全球推出其平台。
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。