数据库即服务创业公司 Tessell 在 WestBridge Capital 的领投下完成了 6000 万美元新一轮融资。该公司计划借此扩大市场份额,并推出基于 AI 的会话式数据库管理服务。
在数据比以往任何时候都更加重要的今天,许多公司都在为如何高效管理和存储数据而苦恼。传统数据库解决方案往往较为僵化,在跨云服务提供商方面缺乏灵活性。同时,大多数托管数据库服务仍然成本高昂,需要支付高额费用才能获得高性能服务。
Tessell 的平台旨在解决这些问题。
这家成立四年的创业公司凭借其联合创始人数十年的数据库内核经验,提供增强的运营数据库管理服务,与包括亚马逊 RDS 在内的现有关系数据库服务展开竞争。
"Tessell 是企业数据的镶嵌,"联合创始人兼首席执行官 Bala Kuchibhotla 在独家采访中表示。
在 Oracle 工作超过十年并在 Nutanix 工作四年后,Kuchibhotla 创立了 Tessell。他在观察到企业在使用现有数据库管理服务时遇到的问题后,看到了"重新构想"运营数据管理的机会。
得益于其 NVMe 基础设施,Tessell 声称可以提供比现有数据库管理服务高 10 倍的性能,同时在三年总拥有成本中节省 64-73% 的费用。该技术摒弃了行业标准的每秒输入输出操作次数 (IOPS) 计量,提供高 IOPS 和低延迟,以及可预测的价格。Tessell 还提供零停机迁移,并确保即使一个云服务出现故障,数据库也能继续运行。
Tessell 兼容四大主要云服务提供商:AWS、Google Cloud、Microsoft Azure 和 Oracle Cloud。它还支持 MySQL、Oracle、Microsoft SQL Server、PostgreSQL 和 MongoDB 等主流数据库引擎。
"如果你是一个 AI 应用,你可以在 Tessell 基础设施上快速启动或关闭所需的数据库,"Kuchibhotla 告诉 TechCrunch,并补充说 Tessell 同时支持带有向量扩展的传统数据库和独立的向量数据库。
在这轮全股权 B 轮融资中,B37 Ventures 和 Rocketship.vc 以及现有投资者 Lightspeed Venture Partners 也参与其中。这笔资金将帮助 Tessell 开发其 AI 驱动的会话式技术,旨在进一步简化数据管理。
总部位于圣拉蒙的 Tessell 在班加罗尔也设有办事处,目前拥有约 143 名员工。该公司已有 40 个客户,其中三分之二在印度,包括穆迪、Aditya Birla Capital、Tata Capital、Jubiliant Ingrevia 和福布斯。
借助这笔新资金,Tessell 还计划进入欧洲和亚太地区,加强在美国和印度的市场拓展,并加大研发投入以增强其服务。此外,该公司计划将分析作为下一个可能的业务线,使企业能够将来自 Snowflake、Google BigQuery 或 Microsoft Fabric 等平台的数据导入 Tessell 进行分析。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。