nexa-ai

エンタープライズ級AIエージェントプラットフォームで、販売、カスタマーサポート、人事などの業務プロセスを自動化。

AI開発およびMLOpsプラットフォーム。大規模言語モデルのカスタマイズ、デプロイ、継続的最適化をサポート。

国防态势感知プラットフォームは、多領域センサーデータを統合して脅威を検出・追跡します。

予約の処理、顧客フォローアップ、カレンダーとCRMシステムの同期を自動化するプラットフォーム

プロンプトエンジニアリングツールで、シンプルなアイデアを構造化された指示に変換し、複数のタイプのプロンプトを生成します。

企業用エージェントデプロイメントプラットフォーム。独立した意思決定と複数タスクの自動実行をサポート。

硅基流动はワンストップのクラウドサービスプラットフォームであり、開発者や企業向けに高性能・マルチモデル対応のAI推論サービスを提供します。本プラットフォームはSiliconCloudを通じて、多様なオープンソースの大型言語モデルや画像生成モデル、マルチモーダルモデルを統合しており、コストパフォーマンスとパフォーマンス最適化に重点を置いています。硅基流动は、すぐに利用可能でOpenAI SDKと互換性のあるAPIを提供しており、開発者がシームレスに統合できるよう設計されています。また、最先端の推論高速化技術を採用しており、推論速度が最大で10倍に向上し、計算リソースのコストを大幅に削減できます。

Janは、大規模言語モデルをローカルデバイス上で実行することを目的として設計された、クロスプラットフォーム対応のオープンソースAIアシスタントであり、データのプライバシーとユーザーの自律性を保証します。LlamaやMistralといったAIモデルをオフラインで実行でき、データを外部サーバーに送信する必要はありません。また、JanはOpenAIやAnthropicなどのクラウドAPIと統合可能で、必要に応じて機能を強化できます。モジュール型アーキテクチャを採用しており、ユーザーは拡張機能やプログラマブルAPIを通じてAIの動作を深くカスタマイズすることが可能で、プライバシーを重視する一般ユーザーから開発者まで幅広く対応しています。

Liquid AIは、線虫の神経システムに着想を得た液体ニューラルネットワークに基づき、次世代のAI基盤モデルを開発しています。従来のTransformerアーキテクチャと比較して、これらのモデルは適応性、効率性、説明可能性の面で優れた性能を発揮します。Liquid AIの技術はリアルタイム学習を可能にし、計算コストの削減を実現しながら、多様な分野で高い効率を達成します。モデルの規模は小型から大型まで幅広く、企業が言語処理、音声、視覚、およびマルチモーダル時系列データなどの場面において、プライベートで経済的かつ説明可能なAIソリューションを導入するのを支援します。

Dedalus Labsは、開発者中心のプラットフォームを提供し、専門的なAIアシスタントをシームレスに構築、展開、管理できるようにします。このプラットフォームは汎用MCPゲートウェイとして機能し、ローカルでホストされているかDedalusが管理しているかにかかわらず、任意のLLMおよび任意のMCPサーバーをサポートします。設定やホスティング、自動スケーリング、ロードバランシングといった従来のインフラストラクチャ負担を解消することで、ユーザーはアイデアから迅速に本番環境への展開が可能になります。オープンマーケットでは多様なMCPツールを提供しており、クラウドホスティングサービスとカスタムPython関数を統合できます。Dedalus Labsは、柔軟性と複数のモデルへのアクセス、AIアシスタントのリアルタイムでの進化を重視し、さまざまな業界のユースケースに対応します。

Zyphraはパロアルトに所在するAI企業であり、企業向けの次世代マルチモーダルエージェントシステム「Maia」の開発に特化しています。同社は、最先端のニューラルネットワークアーキテクチャ、長期記憶、強化学習を統合したシステムの構築に注力しています。Zyphraは、効率的で小型かつ強力な言語モデルの開発を進め、コンシューマー向けおよびエッジデバイス向けに最適化しています。また、ZyphraはZyda-2のような大規模で高品質なオープンデータセットの開発も行い、厳格なフィルタリング、重複排除、GPU加速によるデータ処理を通じて、言語モデルの性能を著しく向上させています。

Covariantは、倉庫内のロボットが自ら見て、考え、行動できるようにするための汎用AIロボティクスプラットフォーム「Covariant Brain」を提供しています。世界中の倉庫で収集された最大規模の実データセットを用いて訓練されたこのプラットフォームは、特別なプログラミングを必要とせずに、初日からさまざまな物品を処理できるようロボットを支援します。基盤モデルのアプローチにより、多様なピッキング用途に対応し、群知能による学習を通じて継続的に性能を向上させるとともに、新たなSKUや環境にも適応することが可能となり、履行センターの運用効率と信頼性を大幅に高めます。