Cohere Blog

本文介绍了一种利用AI编码智能体自动化软件fork与上游同步的方法，通过将fork维护建模为控制论中的闭环反馈系统，显著缩短了吸收新上游版本的时间。以Cohere的vLLM fork为例，展示了从冲突解决到测试修复的全自动流程。

Cohere通过将企业AI智能体平台North与云安全平台Wiz集成，利用自定义MCP服务器自动化事件响应工作流。该安全智能体可处理从关键发现分类到生成IR报告、创建工单及更新Wiz状态的完整流程，将单次处理时间从30分钟至2小时缩短至20秒。文章详细介绍了架构、三个用例（毒性组合分析、辅助事件响应、自动周报）及实施步骤。

本文探讨了AI系统中文化意识的重要性，强调调查发现许多用户面临语言障碍、文化误解和规范侵犯。文章呼吁AI设计应具有文化敏感性，以避免边缘化。

Cohere推出了一种新的推理请求调度解决方案，通过结合速率限制器、性能层级、赤字轮询和优先级选择器，确保多租户LLM平台中不同租户之间的公平性，防止“吵闹邻居”现象，保障每个租户获得公平的计算资源份额。

Cohere 将其伦敦办公室迁至 100 New Oxford Street，面积扩大近三倍，可容纳 100 人。此举彰显了公司对英国人工智能生态系统的投资，并加速其在欧洲的主权 AI 布局。新办公室将整合团队，促进协作与创新。

一篇2023年的研究估计，80%的美国工人有部分任务暴露于大语言模型，该数字被国际货币基金组织、欧洲议会等广泛引用。然而，这些评分基于早期模型和美国职业分类，存在诸多限制，但政策制定者却将其用于决策。更动态、具代表性的证据工具虽已存在，却未能及时影响政策讨论。

Cohere 和 Mila 宣布了一项新的学术研究合作，旨在改善人工智能在不同语言和文化中的评估，首先从魁北克法语的文化背景开始。此次合作将帮助前沿 AI 模型更好地反映魁北克法语的语音、社会及制度细微差别，推动更具文化相关性和可信赖的 AI 系统。

随着企业AI采用从受控试点扩展到全公司范围，治理框架与实际使用之间可能出现脱节。本文探讨了常见的AI治理挑战和失败模式，并概述了企业可以采取的应对步骤，包括建立AI清单、明确所有权、应用基于风险的控制以及持续监控。

企业AI采用通常经历五个阶段，从实验到AI原生转型。大多数企业卡在第二、三阶段之间，面临数据访问、信任和模型过时恐惧等障碍。本文聚焦从试点到生产的跨越，提出建设内部平台、统一数据架构、可观测性和模型可选性等建议。

Cohere 宣布开源 Command A+，一款 218B 总参数（25B 活跃）的混合专家（MoE）模型，采用 Apache 2.0 许可证。该模型专为企业级智能体工作流设计，支持 128K 输入上下文和 64K 生成长度，可处理文本、图像和工具使用。相比前代 Command A 系列，它在推理、多模态理解和多语言能力上有显著提升，同时通过低比特量化和推测解码实现高效部署。Command A+ 目前可在 Hugging Face 和 Model Vault 上获取。

模型上下文协议（MCP）是一个开放标准，帮助AI应用连接企业系统，简化数据访问和操作执行。本文详解MCP的工作原理、与API、RAG、函数调用及代理的区别、常见用例和安全考虑。

AI正越来越多地应用于商业智能，使数据更易访问和有用。本文解释了AI在BI中的含义、价值创造点及企业采用前应考虑的因素。

RWS与Cohere合作开发了一款专用翻译模型，为Language Weaver Pro提供动力。该模型结合了Cohere的大语言模型基础和RWS的全球语言与文化专业知识，在32种语言中的31种上超越了竞争对手。它提供文化智能、高安全性和合规性，适合复杂和受监管的环境。

研究过程中，可视化工具帮助研究人员更清晰地理解数据和工作。Cohere Labs 开发了 co/plot，一个快速迭代且保持数据准确性的可视化工具，已在多个项目中得到验证，并开源供社区使用。