Together AI获8亿美元C轮融资 估值达83亿美元
云平台运营商TogetherAI完成8亿美元C轮融资，估值达83亿美元。其无服务器推理服务性能为同类两倍，自研ATLAS引擎采用推测解码技术，可提升推理速度400%。平台支持模型微调与自动修复显卡故障，年度预订额超11 5亿美元。
云平台服务商 Together AI Inc. 近日正式宣布完成一笔大规模融资：8 亿美元 C 轮，公司估值随之飙升至 83 亿美元。这家企业的核心定位十分明确——为运行开源 AI 模型提供经过性能优化的云平台基础设施。
根据今天发布的融资公告，本轮融资由 Aramco Ventures 领投，英伟达、Vista Equity Partners、General Catalyst 以及多家机构共同跟投。融资完成后，Together AI 的估值达到 83 亿美元。
其核心产品之一是无服务器推理服务。开发者可以直接在该平台上运行开源 AI 模型，无需自行配置显卡和网络设备。Together AI 宣称，这套无服务器环境的性能大约是同类方案中最快速度的两倍，能够显著提升开发效率。
除无服务器方案外，Together AI 还提供另外三种推理服务。其中两种为专用基础设施，相比无服务器方案具备更高的可靠性保障与定制化选项。第三种名为批量推理（Batch Inference），核心逻辑是以速度换取成本优势——对于不需要即时响应用户请求的模型，最多可节省 50% 的费用。
在底层技术架构上，Together AI 平台由英伟达芯片驱动，并搭载了一套自主研发的软件引擎，命名为 ATLAS。该引擎采用一种名为“推测解码”（speculative decoding）的机器学习技术，用于加速用户的工作负载处理。
推测解码的具体运作方式如下：工程师将主 AI 模型与一个更轻量的第二神经网络相结合。用户输入提示词后，轻量算法会先快速生成一个草稿回复，随后主模型对其进行校验与修正，最终将完整回复返回给用户。整个流程比主模型单独生成输出要快得多。
问题在于，负责生成草稿回复的轻量算法通常采用固定配置，而固定配置的模型会随着时间推移出现精度下降。Together AI 表示，ATLAS 技术的核心能力在于自动适应用户需求的变化，从而有效解决这一精度衰退问题。公司声称这套软件可以将部分推理工作负载的速度提升 400%。
用户还可以在 Together AI 平台上对开源模型进行微调。平台提供可接入多达数千张显卡的训练集群。开发者可以选择操作较为简便的 Kubernetes，或者功能更强、定制化程度更高的 Slurm 工具来管理集群。
AI 训练项目长期面临一个难题：显卡可能发生技术故障，芯片故障有时会在训练流程中引入错误。Together AI 的训练集群内置了能够自动检测并修复此类故障的软件系统，保障训练流程的稳定性。
Together AI 今日还披露了一组关键数据：年度预订额在第二季度已突破 11.5 亿美元。目前，该平台已被数千家机构采用，用户包括 LG 旗下的 AI 研究实验室、Cohere Inc. 以及 Mozilla 基金会。
对于本轮融资的用途，公司明确表示：将用于购置更多基础设施，目标是在未来五年内将公有云容量扩大 50 倍，同时进一步强化训练与推理功能。
Q&A
Q1：Together AI 的无服务器推理服务有哪些核心优势？
A：无服务器推理服务的最大优势在于显著降低使用门槛——开发者可以直接运行开源 AI 模型，无需自行配置显卡和网络设备。Together AI 宣称其性能约为同类最快方案的两倍，能够有效提升开发效率与部署速度。
Q2：ATLAS 引擎中的推测解码技术具体是如何工作的？
A：推测解码技术将主 AI 模型与一个更轻量的神经网络相结合。用户输入提示词后，轻量算法先快速生成草稿回复，主模型再进行校验和修正，最终返回完整结果。相比主模型单独生成输出，这个流程速度更快。Together AI 的 ATLAS 引擎还能自动适应用户需求的变化，避免轻量模型因固定配置导致精度下降，可将部分推理工作负载的速度提升 400%。
Q3：Together AI 平台如何应对 AI 训练过程中显卡故障的问题？
A：显卡故障是 AI 训练项目中的常见挑战，芯片故障可能在训练流程中引入错误，影响模型质量。Together AI 的训练集群内置了自动检测与修复系统，能够实时发现并处理技术故障，减少人工干预，从而保障训练流程的稳定性与可靠性，确保模型训练顺利进行。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Together AI获8亿美元C轮融资 估值达83亿美元要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点在企业内部跑一个 LLM 工作流的时候，几乎所有失败都是廉价的：重试、回退，甚至直接忽略都行。可一旦把这个工作流挂到客户的 API 或 MCP 服务器后面，容错空间就瞬间归零。此时唯一重要的事情是：客户拿到正确、可用的结果了吗？他们的流程依赖于你交付的结果。由他们——而不是你——来决定什么算“交付”
每周都感觉自己像陈平安，在浩瀚的信息海洋里打捞那些优美的句子。他是一笔一画刻在竹简上，我是一字一句收藏在备忘录里。然后挑个晴日，翻出来重新翻阅品味、细细朗读。 这就是“读”。心中有话忍不住对这个世界倾诉，那就是“说”。 读 机器正在学习我们的语言，因此我们不再需要学习它们的语言。 从本质上讲，世界是
从“唯模型论”到“数据说了算” 面对一个新问题，很多人会不假思索地选择眼下表现最好的模型。这是人之常情。在当下这个节点，极限梯度提升几乎成了“靠谱”的代名词，而它也确实在许多任务中战功赫赫。 所以，当你看到我拿五个分类器在同一个任务上做对比，而那个只有一行代码的线性模型居然赢了Kaggle冠军时——
这篇内容源自 Iliad Fellowship 项目，由 Dmitry Vaintrob 指导完成。 太长不看版： 幂律（即“重尾”）分布与正态分布类似，背后同样存在某种“通用性定理”作为支撑。在机器学习领域，诸多现象都遵循幂律分布，其中权重矩阵的谱分布最为稳健、也最值得深入探讨。本文的核心观点是：
- 日榜
- 周榜
- 月榜
热点快看