更正说明(2026年10月21日):历史正文错误混入了瑞典企业软件公司 Pit 的产品和客户介绍,现已移除。未找到可验证的完整原稿,以下依据 Standard Intelligence 与投资方当时的公开资料重建;同时区分数据集规模、模型实际使用的数据和编码器效率口径。原网址、封面和发表时间保留,不与其他 AI 公司或融资事件合并。

Standard Intelligence 想解决的不是让企业定制一套 SaaS,而是让 AI 从屏幕视频中学习如何操作电脑。公司2026年4月30日宣布获得 Sequoia 和 Spark Capital 的7500万美元新融资,称当时团队共有6人;红杉同日明确将该轮称为双方共同领投的 A 轮。公司融资说明、红杉投资说明

不是再加一个工具调用,而是换一种训练材料

FDM-1 的研究思路,是直接处理电脑使用视频,并预测鼠标、点击与键盘动作。Standard Intelligence 在2月23日技术文章中称,它收集了1100万小时屏幕录制数据,FDM-1 使用其中一部分进行训练,并以逆动力学模型辅助生成动作标注。因此,“拥有1100万小时数据集”不等于“当前模型已完整训练了1100万小时”,更不等于这些数据全部具备相同质量。FDM-1 技术说明

这条路线针对的是电脑操作数据难以规模化的瓶颈。传统的软件自动化往往依赖 API、脚本或为任务设计的流程;视频则保留了界面变化与操作顺序。RecodeX 的分析是,若模型能从这些连续变化中学习,它可能覆盖更多没有标准接口的任务。但看懂动作并不自动等于理解任务目标,长流程中的错误恢复、状态确认和权限边界仍然关键。

“效率更高”必须先说清楚比的是什么

公司技术文章讨论的是视频编码:如何用较少 token 表示连续画面,并称其编码器能把接近2小时、30 FPS的视频压入100万 token上下文。红杉文章将其描述为约50倍的 token效率优势。这里的比较对象是视频表示和上下文成本,不是所有电脑任务的成功率、训练总成本或产品性能;相关数字为公司及投资方披露,并非 RecodeX 独立复现实验的结论。公司技术口径、投资方口径

这一区分影响商业判断。压缩视频可以缓解计算压力,但用户最终购买的是任务完成能力。如果界面小幅改变就失败,或者需要人工反复检查,较低的输入成本并不能直接转化为较低的业务成本。反过来,如果连续视觉信息确实帮助模型理解操作过程,它的价值也不能只用一项编码倍率衡量。

演示证明了研究方向,没有证明已经可以替代员工

公开材料展示过 CAD 操作、软件探索及车辆相关演示。它们有助于解释研究方向,却不是企业部署、安全自动驾驶或可靠性认证。尤其是高风险操作,必须分别检验任务范围、人工接管、异常处理和安全措施,不能因为模型完成一次展示,就断言其已具备通用自主能力。

对于企业应用,RecodeX 更关注可重复的端到端完成率,而不是剪辑后的单次效果:同一任务换一个账号、分辨率或软件版本是否仍可完成;遇到支付、删除或授权等不可逆动作时,是否要求用户确认;失败后是否能留下可审计记录。这些是评估方向,不是宣称 Standard Intelligence 已公开实现相应能力。

7500万美元支持的是验证一条路线

融资说明将计算扩展、研究和招聘列为后续工作,并将更通用的学习能力及对齐研究视为长期目标。研究目标不应被改写为已完成的产品能力;同样,投资方的信心也不能替代独立评测。公司资金与研究说明

Standard Intelligence 的区别在于把连续视频与动作学习放到基础模型训练的中心。它需要证明的不只是“视频可以训练”,而是这种训练能否产生稳定、经济且可控的电脑使用能力。项目官网:Standard Intelligence。本文对应2026年4月的融资事件,不把后续进展倒填为当时已经实现的结果。