新闻TechCrunch11 天前
Plurai融资1300万美元以自动驾驶仿真范式提升AI智能体可靠性
本文由 AI 根据公开内容整理,可能有误,请以原文为准:Plurai wants to help AI agents work better using the same approach that helped get self-driving cars to roads(TechCrunch:AI(RSS)(via AIHOT))
核心内容
Plurai宣布完成由Team8领投、U&I等参投的1300万美元种子轮融资,旨在解决AI智能体在复杂任务中可靠性不足的问题。LiveBench 2.0数据显示主流模型任务成功率仅75%-83%,该公司借鉴自动驾驶端到端仿真经验,利用基于企业自有系统的合成数据构建数字孪生,专门评估并修复智能体在多数据源交互及长上下文中的边缘失效案例。
技术架构上,平台映射智能体全链路工作流生成测试图谱,兼容Claude Code、Copilot等现有工具,并与Nvidia及Nebius合作验证了“仿真驱动小模型后训练”路线。实测表明,经特定任务分解与仿真验证的开源小模型,在垂直场景中性能对标前沿大模型,同时推理成本降低1至2个数量级,为具身智能与Agent落地提供了高性价比的Sim-to-Real验证范式。
关键看点
- 仿真范式迁移:复用自动驾驶合成数据与数字孪生技术,针对企业知识库与工具链构建仿真层,系统性覆盖多源数据查询与长对话等边缘失效场景
- 小模型后训练:通过仿真分解任务并生成验证数据,对开源小模型进行定向微调,实测性能对标前沿大模型,推理成本降低1-2个数量级
- 生态兼容性:平台作为独立仿真验证层,无缝集成Claude Code、Codex、Copilot及Cursor等主流Agent开发工具,不侵入原有代码工作流
- 可靠性量化基准:针对LiveBench 2.0显示主流模型75%-83%的任务成功率瓶颈,提供基于企业私有数据的自动化评估与修复闭环
工程与产业观察
该进展验证了自动驾驶Sim-to-Real方法论在具身智能与Agent领域的通用性。对于机器人算法工程师而言,利用高保真仿真生成合成数据进行小模型后训练,是解决通用大模型在特定物理/数字环境中“水土不服”及推理成本过高的关键工程路径,为具身智能从Demo走向规模化部署提供了可复用的可靠性验证基础设施。
线索来源:AIHOT
外部来源
本页事实对应的公开页面,以原文为准。(点击将离开本站)