数据平台Snowflake正在其Cortex AI服务中整合Google的Gemini模型,旨在为客户提供在其数据环境边界内访问基础模型的能力,支持各种云平台环境。
Snowflake客户使用该平台存储几乎所有运营数据,包括ERP等财务记录、CRM记录(包括工单和交易)、物联网和传感器数据、API调用和响应、网站用户活动数据,甚至包括PDF、文档文件、图像、视频和音频等内容。Cortex AI允许用户选择他们偏好的模型,现在包括Gemini,来使用大语言模型处理这些海量信息以获得业务洞察。
跨云环境原生支持
Snowflake AI工程和研究副总裁Dwarak Rajagopal通过邮件向媒体表示:"通过在Snowflake中原生运行Gemini,客户可以通过跨区域推理在所有支持的云平台上使用Gemini模型,无论他们的Snowflake环境运行在AWS、Azure还是Google Cloud上。"
这一分阶段推出策略是Snowflake AI模型无关策略的一部分,该策略确保客户能够在Cortex堆栈中使用最佳模型,而无需重新架构数据或工作流程。
"我们的理念是提供无妥协的模型选择——客户不应该为了使用最佳可用模型而在创新、治理或简便性之间做出权衡,"Rajagopal说。
多模型生态系统扩展
Cortex AI已经支持OpenAI、Anthropic、Deepseek、Meta和Mistral等模型。通过Cortex AI,用户可以直接在SQL中或通过API访问这些模型,分析多模态数据,然后构建AI应用场景。
虽然公司没有披露具体定价信息,但显然与Snowflake的"更广泛的消费模式"保持一致。Rajagopal表示:"客户只需为实际使用的部分付费,这降低了风险,鼓励创新,并使AI从实验阶段转向生产环境变得更加容易。"
他补充说,Snowflake希望客户在平台内开始工作,"从小规模开始,自由实验,并基于真实价值而不是沉没成本来扩大AI使用规模"。
从周二开始,Snowflake客户可以通过Cortex AI Functions开始使用Gemini 3 Pro和Gemini 2.5 Flash的公开预览版。对Snowflake Intelligence和Snowflake Cortex智能体的支持即将到来,客户使用这些功能来构建能够利用公司数据的AI智能体。
Q&A
Q1:Snowflake Cortex AI现在支持哪些AI模型?
A:Cortex AI目前支持OpenAI、Anthropic、Deepseek、Meta、Mistral等模型,最新加入的是Google Gemini。用户可以直接在SQL中或通过API访问这些模型,分析多模态数据并构建AI应用场景。
Q2:Snowflake如何实现跨云平台使用Gemini模型?
A:通过在Snowflake中原生运行Gemini,客户可以通过跨区域推理在所有支持的云平台上使用Gemini模型,无论他们的Snowflake环境运行在AWS、Azure还是Google Cloud上,无需重新架构数据或工作流程。
Q3:Snowflake的AI服务采用什么样的收费模式?
A:Snowflake采用消费模式收费,客户只需为实际使用的部分付费。这种模式降低了风险,鼓励创新,并使AI从实验阶段转向生产环境变得更加容易,让客户能够从小规模开始并基于真实价值扩大使用规模。
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。