Ce sa întâmplat
QUASA raportează că Resect a ieșit din stealth în statul Washington pe 3 septembrie 2026, cu o finanțare de 25 de milioane de dolari și o propunere de software care să observe, să detecteze, să interpreteze, să auditeze și să modifice comportamentul unui model de limbă mare în timp ce se generează răspunsuri.
QUASA spune că finanțarea va sprijini cercetarea și dezvoltarea, comercializarea și angajarea în jurul orașului Seattle și Portland. Raportul spune că investitorii, evaluarea, etapa de finanțare convențională și etapele tehnice legate de finanțare nu au fost dezvăluite. Citând acoperirea de lansare a GeekWire, QUASA plasează numărul de angajați Resect la 30, dar spune că informațiile privind personalul nu arată dacă clienții rulează piloți controlați sau când un sistem comercial ar putea deveni disponibil în general.
Tehnologia propusă este descrisă ca funcționând în timpul generării modelului, mai degrabă decât pur și simplu evaluând textul completat. Potrivit QUASA, este menit să identifice un eșec în curs de dezvoltare, să schimbe comportamentul modelului înainte ca răspunsul să ajungă la un utilizator și să păstreze o pistă de audit. Raportul spune că materialele publice nu explică semnalele de declanșare, metoda de intervenție, accesul necesar la model, arhitecturile acceptate sau motoarele de inferență sau dacă sistemul funcționează prin modele API-uri proprietare.
QUASA says a RuntimeWire review found Apache 2.0-licensed Veritas fact-checking models with 0.6-billion and 8-billion parameters. Raportul citează o precizie echilibrată medie publicată de companie de 72,30% pentru modelul mai mic pe LLM-AggreFact, comparativ cu 64,93% pentru o linie de bază Qwen3 specificată în modul non-gândire. QUASA calculează diferența ca 7,37 puncte procentuale, subliniind în același timp că acesta este un rezultat auto-raportat pentru o anumită configurație de verificare a faptelor, nu o evaluare independentă a controlului in-stream propus de Resect.
De ce contează
Dacă este demonstrată, o intervenție care acționează în timpul generării ar putea oferi organizațiilor un punct de control înainte ca un răspuns să ajungă la un utilizator, creând în același timp înregistrări pentru revizuire ulterioară. Acest lucru ar putea fi util în implementările cu mize mari în care verificarea după generare este prea târziu. Valoarea practică nu este însă stabilită: dovezile descrise de QUASA vizează modele de verificare a faptelor, nu testarea independentă a unui sistem separat care detectează și corectează erorile în timp real.
Distincția dintre verificarea rezultatului final și schimbarea comportamentului unui model în timpul inferenței este consecință. Un control în timp real ar trebui să recunoască o eroare suficient de devreme pentru a interveni, să evite suprimarea răspunsurilor neobișnuite, dar corecte și să îmbunătățească rezultatul final, mai degrabă decât să-l blocheze. De asemenea, ar trebui să funcționeze în toate modelele și mediile de implementare pe care cumpărătorii întreprinderilor le folosesc de fapt.
Sursa nu confirmă în mod independent că finanțarea de 25 de milioane de dolari s-a închis, nu identifică investitorii sau nu stabilește că Resect are un produs de întreprindere funcțional. De asemenea, nu furnizează dovezi că rezultatele Veritas citate sunt transferate către aplicații de producție, modele API-uri închise, sisteme găzduite de sine stătătoare sau modele ajustate.
Mecanism interactiv: cum funcționează de fapt
Explorați tehnologia care stau la baza acestei dezvoltări în mod interactiv.
Which component of an AI application is the machine-learning model itself?
Ce să urmărești în continuare
Testul cheie este dacă Resect poate publica dovezi reproductibile că intervenția sa propusă previne halucinațiile fără a impune o latență inacceptabilă, costuri de calcul sau fals pozitive. Accesul, prețurile, modelele acceptate și disponibilitatea generală sunt momentan necunoscute.
Punctele de probă semnificative ar include software versiunea și artefacte de evaluare, benchmarkuri reproductibile în flux, detalii exacte ale modelului și ale mediului de inferență, o definiție clară a halucinațiilor și măsurători separate pentru detectare, corectare cu succes, false pozitive și false negative.
Rezultatele operaționale vor conta la fel de mult ca precizia. Resect ar trebui să dezvăluie latența, debitul și consumul de calcul cu controlul activat și dezactivat, plus o matrice de compatibilitate care acoperă modele deschise, variante reglate fin, stive de inferență auto-găzduite și API-uri închise.
QUASA spune că suita pentru întreprinderi nu este disponibilă pe scară largă ca produs finit. Sursa nu oferă niciun proces de acces, lista de clienți, rezultate pilot, data lansării sau prețuri, astfel încât acestea rămân necunoscute.