Hebbia
PulseAugur coverage of Hebbia — every cluster mentioning Hebbia across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
CEO的1000美元AI代币消耗事件揭示行业成本担忧
Maxio的CEO Branden Jenkins发现他的AI代理由于自动充值配置，在一个周末就消耗了1000美元的代币。这一事件凸显了与代理式AI工具相关的快速且常常不被注意的成本，这是整个行业普遍存在的担忧。Jenkins指出，模型选择和对话漂移是代币浪费的重要原因，而员工对AI进步落后的不安全感加剧了这一问题。
-
AI代理的“tokenmaxxing”时代在效率低下和成本高昂中结束
“tokenmaxxing”的短暂时代，即公司在缺乏充分管理的情况下迅速部署AI代理，现已结束，并带来了显著的效率低下和意想不到的成本。Hebbia创始人George Sivulka认为，核心问题并非token的成本，而是大多数员工无法有效指导AI代理，导致资源浪费和“雇佣了一百万个糟糕的员工”。随着亚马逊等公司报告巨额亏损，以及福特等公司开始将人工监督与AI相结合，这一时期宣告结束，凸显了对更好AI管理基础设施的需求。
-
Google 发布 Gemini 3.6 Flash 和 3.5 Flash-Lite 以支持企业 AI 代理
Google 推出了两款新的 Gemini 模型：Gemini 3.6 Flash 和 Gemini 3.5 Flash-Lite，旨在降低企业 AI 代理的延迟和 token 成本。Gemini 3.6 Flash 专为需要编码和多模态推理的任务而设计，与前代产品相比，性能有所提高，token 使用量有所减少。Gemini 3.5 Flash-Lite 针对文档处理和代理搜索等高吞吐量、低延迟操作进行了优化，价格显著降低。此外，还推…
-
Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber
Google DeepMind 推出了三款新的 Gemini 模型：3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber。3.6 Flash 模型在性能上优于其前身 3.5 Flash，提高了代币效率，并减少了输出代币使用量，降低了 AI 代理工作流的成本。3.5 Flash-Lite 专为最大速度和成本效益而设计，而 3.5 Flash Cyber 在与 CodeMender 代理配对时，则专用于网络…
-
Google DeepMind推出更快、更便宜的Gemini 3.6 Flash模型
Google DeepMind发布了三款新的Gemini模型：3.6 Flash、3.5 Flash-Lite和3.5 Flash Cyber。3.6 Flash模型在成本更低的情况下提供了比其前代产品3.5 Flash更高的令牌效率和性能，使其适用于编码和知识工作。3.5 Flash-Lite专为高吞吐量、低延迟任务而设计，而3.5 Flash Cyber是专用于网络安全应用的专业模型，集成了CodeMender代理。Google还…
-
Claude Fable 5 在复杂任务上表现优于 Opus 4.8，成本通常更低
Anthropic 的新 Claude Fable 5 模型，尽管每 token 成本更高，但在复杂任务上展现出比其前代 Opus 4.8 更高的效率和性能。基准测试显示，Fable 5 在编码和代理任务中得分更高，通常使用的 token 更少，这可能导致高要求工作负载的总体成本更低。该模型还采用分层方法，其中“低”努力设置被证明具有惊人的能力和成本效益，而某些敏感领域会触发回退到 Opus 4.8 以确保安全性和可靠性。
-
Anthropic 发布 Claude Fable 5，树立新的 AI 基准
Anthropic 发布了 Claude Fable 5，这是一款专为复杂、长期任务设计的新型 Mythos 级模型。该模型提供了增强的功能和 100 万个 token 的上下文窗口，但价格是之前 Opus 模型的一倍。Fable 5 被定位为面向公众最智能的模型，在各种基准测试中表现出色，尽管其严格的安全护栏有时会导致提示被重定向或拒绝。该模型正在集成到 Cursor 和 Databricks 等各种平台中，用于企业和消费者使用。
-
Hebbia 使用 OpenAI 代理自动化 90% 的金融和法律工作
Hebbia 推出了 Matrix，一个多代理 AI 平台，旨在自动化 90% 的金融和法律工作。该平台编排了多个 AI 代理，包括 OpenAI 的 o3-mini、o1 和 GPT-4o，以处理大量离线数据并执行复杂任务。Matrix 在深度研究任务上达到了 92% 的准确率，显著优于传统的 RAG 方法，并为投资银行、私人信贷、私募股权和律师事务所的专业人士节省了大量时间和成本。