實體: Cohere
所有提到 Cohere 的 AI 新聞與動態。
-
Cohere 發佈開放式多語言模型系列
企業人工智慧公司 Cohere 在印度 AI 峰會期間推出了新一代多語言模型系列 Tiny Aya。這些模型採用開放權重設計，程式碼公開可供任何人使用與修改，支援超過七十種語言，且能在筆記型電腦等日常裝置上執行，無需網路連線。該系列由 Cohere Labs 研發，特別強化對孟加拉語、印地語、旁遮普語、烏爾都語、古吉拉特語、泰米爾語、泰盧固語及馬拉地語等南亞語言的支援。基礎模型包含 33.5 億個引數。Cohere 同時推出了針對指令遵循最佳化的 TinyAya-Global 版本，適用於需要廣泛語言支援的應用程式。此外，該系列還包含區域變體：TinyAya-Earth 專注非洲語言、TinyAya-Fire 針對南亞語言、TinyAya-Water 則涵蓋亞太、西歐及歐洲。Cohere 表示，這種方法能讓各模型發展出更強的語言基礎與文化細微差別，使系統對服務社群更自然可靠，同時保留廣泛的多語言覆蓋率。這些模型使用單一由 64 張 Nvidia H100 晶片組成的叢集訓練，並利用相對適中的計算資源，適合開發者為講母語的使用者群體建立應用程式。模型可直接在裝置上執行，支援離線翻譯。Cohere 已將模型發布於 HuggingFace 和 Cohere Platform，開發者可在 HuggingFace、Kaggle 和 Ollama 下載以進行本地部署，公司亦將發布訓練與評估資料集及技術報告。Cohere 執行長 Aidan Gomez 曾表示公司計劃近期上市，根據 CNBC 報導，該公司於 2025 年結束時表現強勁，年度經常性營收達 2.4 億美元，且全年逐季成長 50%。
-
Cohere 年營收 2.4 億美元為 IPO 奠定基礎
加拿大 AI 起點公司 Cohere 在企業採用浪潮中表現亮眼，其創始於 2019 年，並獲得了英偉達、AMD 及 Salesforce 等企業科技投資人的支援。根據 CNBC 報導，Cohere 在 2025 年已超越其 2 億美元的年度經常性收入目標，實際達到 2 億 4 千萬元，且全年實現了超過 50% 的季增成長。該公司核心技術為 Command 系列生成式 AI 模型，宣稱其效能足以在有限型號的 GPU 上部署，這對企業控制成本與資源管理具有吸引力。去年夏天，Cohere 推出了名為 North 的高階企業平臺與 AI 工作空間，提供基於其模型的安穩、客製化 AI 代理與工作流。Cohere 執行長 Aidan Gomez 於去年十月表示公司可能「很快」進行首次公開募股，若「很快」意指 2026 年，Cohere 將面臨與 OpenAI、Anthropic 及 SpaceX/xAI 等正在考慮上市的公司競爭。TechCrunch 已聯絡 Cohere 尋求評論。
-
Equity Live：從3億美元種子融資到數據中心建設，AI正感受到泡沫熱潮
TechCrunch Disrupt 2025 活動於週一上午在 Builders Stage 登場，由主持人 Kirsten Korosec、Max Zeff 和 Anthony Ha 主持，主題聚焦於「我們是否處於 AI 泡沫之中」。在估值短短數月內翻了三倍、種子輪融資高達 3 億美元以及 1000 億美元承諾資金快速流動的背景下，Equity 團隊分析了泡沫頂峰的跡象，並探討了實際商業模式的現狀，指出許多公司正押注於 AI 資料中心。節目還討論了為何部分創始人選擇完全放棄規模化競賽，以及當創業公司的病毒式演示成為其唯一業務模式時的可持續性問題。此外，內容涵蓋了 AI 資料中心繁榮如何重塑基礎設施投資，以及哪些非預期玩家正在參與其中，並特別提到前 Cohere AI 研究負責人反其道而行之，押注於規模化競賽之外。聽眾可透過 Apple Podcasts、Overcast、Spotify 等平臺收聽完整節目，或關注 Equity 在 X 和 Threads 上的帳號 @EquityPod。
-
為何 Cohere 前 AI 研究領頭人反對參與 AI 扩展競賽
人工智慧實驗室正競相建設規模堪比曼哈頓的資料中心，耗資數十億美元且能源消耗等同於一座小城市。這種趨勢源於對「規模化」的深信不疑，即透過增加運算量能訓練出具備全任務能力的超級智慧系統。然而，越來越多的研究人員認為大型語言模型的規模化已接近極限，並指出需要其他突破來提升效能。前 Cohere 人工智慧研究副總裁、Google Brain 校友 Sara Hooker 正押注於此，創立新公司 Adaption Labs。她與前同事 Sudip Roy 共同創立該公司，主張規模化大型語言模型已成為低效的提效方式。Hooker 在 2025 年 10 月 7 日於 Twitter 宣佈啟動新專案，致力於構建能持續適應與學習的機器。 Hooker 在接受 TechCrunch 採訪時表示，Adaption Labs 正在開發能從真實世界經驗中高效適應的人工智慧系統，但拒絕透露具體方法或架構細節。她指出，單純依靠規模化模型已無法產生能與世界互動的智慧，適應才是學習的核心。雖然強化學習（RL）試圖捕捉此概念，但現行方法無法讓生產環境中的系統即時從錯誤中學習。OpenAI 等公司提供微調諮詢服務，但費用高昂，據報需花費超過 1000 萬美元。Hooker 認為 AI 系統應能低成本從環境中學習，這將改變誰能控制與塑造 AI 的格局。 MIT 研究人員近期發現世界最大 AI 模型可能出現效益遞減，San Francisco 的氛圍也隨之轉變。著名播客 Dwarkesh Patel 邀請 Richard Sutton 等專家討論，Sutton 認為大型語言模型無法真正規模化，因無法從真實經驗學習；OpenAI 前員工 Andrej Karpathy 也對強化學習的長期潛力存疑。2024 年底，研究人員曾擔憂預訓練規模化遇到瓶頸，但 2025 年推理模型的突破推動了 AI 能力進一步提升。OpenAI 開發 o1 模型即基於此信念，Meta 與 Periodic Labs 的強化學習研究耗費超過 400 萬美元。相比之下，Adaption Labs 旨在證明從經驗學習可大幅降低成本，該公司據稱已籌得 2000 萬