AI 智能体正风靡一时，但其实际能力并未达到推广者所宣称的水平。基准测试显示，执行复杂任务的智能体在缺乏密切监督时往往不够可靠。
LiveBench 2.0 数据显示，Claude Fable 5.2 和 ChatGPT-6 Astra 在 100 项任务中分别完成 82.9 项和 75.6 项；AI 基础设施公司 EON 在企业环境模拟测试中发现，表现最佳的 Claude Opus 4.8 任务准确率仅为 76.8%。
Plurai：用自动驾驶模拟技术提升智能体可靠性
初创公司 Plurai 借鉴自动驾驶汽车推向街头的技术路径，利用基于企业自身数字系统的合成数据进行模拟，旨在帮助模型应对困难的边缘情况。
联合创始人 Ilan Kadar 和 Elad Levi 此前供职于自动驾驶技术公司 Nexar。Kadar 曾与 Waymo 合作，对其端到端深度学习驾驶软件进行模拟评估。他表示：“看到 AI 智能体浪潮时，我们发现了相同模式：构建演示版容易，但打造可靠且具成本效益的产品极难。因此我们的主张一致：构建这一模拟层。”
周三，Plurai 宣布完成 1300 万美元种子轮融资，由 Team8 领投，U&I、Velocity 和 Mercer 跟投。
解决概率系统在不可预测环境中的失效问题
AI 智能体如同端到端驾驶模型，是在不可预测环境中运行的概率系统。例如，负责预订旅行的智能体可能在客户压力下无视支出政策；查询数据库时虽能可靠提供单一答案，但在整合多数据集信息时易导致流程混乱；与客户客服机器人的长对话也可能因上下文过载引发错误决策。
为此，Plurai 创建了包含知识库及生产环境工具的企业电子系统数字孪生体。平台映射出智能体的所有可能流程，并据此准备评估结果及针对潜在边缘情况的修复方案，可与 Claude Code、Codex、Copilot 和 Cursor 等现有智能体工具协同工作。
后训练小模型实现降本增效
Kadar 指出，公司的核心潜力在于利用收集的数据对小型开源模型进行后训练，以定制满足个别客户需求。与 Nvidia 和 Nebius 合作的测试显示，其模型在成本更低的情况下优于中高端前沿模型。
“我们可以采用大语言模型确定任务，通过模拟将其分解为子任务，训练开放权重模型，并通过模拟验证其质量是否高于或等同于前沿模型，同时实现数量级甚至两个数量级的成本降低。”Kadar 表示。
Google DeepMind 研究员 Reah Miyara 作为天使投资人支持了 Plurai。他认为该公司的优势在于理解生产环境故障模式并生成合成数据微调模型。随着企业优化 AI 支出，IT 领导者发现前沿模型与特定数据分布不一致且长期成本不可持续，Plurai 的方法或将带来真正优势。
Plurai 希望物理环境与数字环境中 AI 智能体的类比具备预测性：尽管通用 AI 模型赋予机器人迷人能力，但尚未达到广泛部署的可靠性水平；而针对特定任务构建的 AI 模型驱动机器人已投入实际使用，为客户工作并收集宝贵真实世界数据。
Kadar 强调：“无论 OpenAI 和 Anthropic 的模型变得多么聪明，它们都不会了解你的业务和你的政策。”