当一家公司把“加速”写进自己的核心叙事时，它首先面对的不是技术问题，而是信任问题。AI推理成本已经成为模型部署中最现实的瓶颈：同样的模型，推理速度每提升一截，对应的算力账单和用户体验就可能发生数量级变化。但推理优化也是一个拥挤到近乎残酷的赛道，云厂商、芯片厂商和大量学术团队都在同一方向上推进。2026年10月，一家成立仅一年多的以色列初创公司Two Delta宣布获得数千万美元种子轮融资，投资方包括Pershing Square创始人兼CEO Bill Ackman与前谷歌董事长Eric Schmidt。它拿出的不是产品路线图，而是一组研究结果和一个基准测试。
据CTech报道，Two Delta在2026年10月公布了与Nvidia合作的结果，用其DCOCO技术加速Nvidia Nemotron 3.5 Super VL模型的推理。公司报告称，在10个覆盖数学、编码和通用任务的数据集上，当禁用推理并使用贪婪解码时，DCOCO的平均吞吐量达到标准自回归解码的2.03倍；在相同配置下，比竞争方法DFlash的平均吞吐量提升19.8%。这些数字足够具体，但CTech在同一篇报道中明确写道：这些是Two Delta报告的结果，而非对该技术的独立评估。
这正是理解Two Delta的关键起点。一家以高度保密方式运营的初创公司，同时公开了相当精确的性能数据，却没有披露付费客户、定价模式或商业化路径。它的技术叙事越具体，商业叙事就越模糊。本轮融资的意义，不在于验证了一家公司的收入能力，而在于验证了一种判断：在推理优化这个巨头林立的领域，一个算法层面的改进是否仍值得下注。
| 字段 | 内容 |
|---|---|
| 公司 | Two Delta |
| 轮次 | 种子轮 |
| 金额 | 数千万美元 |
| 投资方 | Bill Ackman、Eric Schmidt |
| 总部 | 以色列 |
| 创始人 | Dvir Zeltzer、Dr. Eli David |
| 官网 | https://www.twodelta.com/ |
一笔没有披露具体金额的种子轮，押注的是算法而非产品
Two Delta的融资金额只披露为“数千万美元”，具体数字未披露。这个口径本身就值得注意。对于一家2025年成立、据CTech报道“以高度保密方式运营”的公司来说，模糊的金额披露与其整体风格一致。但“数千万美元”的种子轮在以色列AI创业生态中并不常见，它意味着投资方愿意在一个尚未证明商业收入的阶段，为技术判断支付相当高的价格。
据CTech报道，Two Delta由Dvir Zeltzer和Dr. Eli David联合创立。David被描述为资深AI研究员和企业家，Zeltzer则拥有商业和管理背景，包括在谷歌担任高级职位。CTech的报道没有进一步展开两人的具体履历细节。公司通稿称，资金将用于进一步推进AI模型加速和效率技术的研究与开发，具体财务分配未披露。
投资方组合本身传递了信号。Bill Ackman以集中持股和主动投资著称，Eric Schmidt则在谷歌和AI基础设施领域有长期积累。但来源材料没有提供两人对Two Delta的具体投资逻辑或公开评论。因此，关于他们为何下注，只能从公司已披露的技术方向中寻找线索，而不能将投资风格直接等同于对这家公司的判断。
从披露节奏看，这轮融资的信息结构本身也值得拆解。CTech的报道以“Calcalist has learned”开头，说明核心融资事实来自其自身调查，而非公司主动发布的完整新闻稿；The SaaS News的版本则明确标注来源为CTech。这意味着，目前关于投资方、金额口径和公司背景的主要信息，都经由同一调查链条流出，公司自身并未在官网上同步披露融资细节。对一家以高度保密方式运营的公司来说，这种单一信源结构可能是有意控制信息的结果，也可能只是早期公司尚未建立完整披露机制的常态。无论哪种情况，它都意味着外界目前对这笔交易的了解，仍高度依赖一家媒体的报道，独立交叉验证的空间有限。
DCOCO的2.03倍提速，必须放在严格的测试条件里理解
DCOCO建立在推测解码技术之上。推测解码的基本思路是：用一个较小、较快的模型先起草一组token序列，再由较大的目标模型一次性验证。如果起草质量高，大模型可以一次接受多个token，从而减少验证轮次、提升吞吐量。问题在于，起草模型提出的token可能被拒绝，被拒绝的token不会带来加速。
据CTech报道，Two Delta的方法试图提高起草质量。它将候选token嵌入与起草模型隐藏状态中的上下文信息相结合，而这些隐藏状态受到目标模型激活的影响。同时，它并行评分相邻token的可能组合，在大模型验证之前选出更一致的序列。公司称，DCOCO在保持目标模型输出质量的同时提高了token生成效率。
关键的性能数据需要被精确限定。据CTech报道，在10个数据集的测试中，Two Delta报告DCOCO在禁用推理且使用贪婪解码时，平均吞吐量达到标准自回归解码的2.03倍；在相同配置下，比DFlash方法的平均吞吐量提升19.8%。评估在Nvidia DGX B200硬件上使用vLLM推理框架进行。公司还报告了在不同解码设置和最多32个并发请求的工作负载下的吞吐量提升，但CTech没有给出这些条件下的具体数字。
2.03倍和19.8%这两个数字不能脱离条件理解。禁用推理意味着模型不进行思维链或逐步推理，贪婪解码意味着每一步都选择概率最高的token。这是一种确定性较高的设置，也是推测解码最容易展现优势的场景之一。在启用推理或使用更复杂采样策略时，起草模型与目标模型的行为差异可能更大，被拒绝的token比例可能上升，加速效果可能变化。CTech的报道没有提供这些条件下的完整对比数据。
与DFlash的19.8%差距同样需要放在具体配置中看。DFlash是一种推测解码方法，但来源材料没有提供DFlash的详细实现、版本或调优情况。在没有独立基准的情况下，19.8%只能理解为Two Delta在特定硬件、特定框架、特定配置下报告的结果。CTech的报道明确将这一点标注为“Two Delta报告的结果，而非独立评估”。
另一个需要留意的技术边界是，2.03倍这个数字对应的是“平均吞吐量”，而不是端到端延迟的等比例下降。吞吐量衡量的是单位时间内处理的token总量，在并发请求场景下，它可能因为调度、批处理和硬件利用率的改善而提升，但不一定意味着单个用户感知的响应时间缩短了同样的幅度。CTech的报道提到，公司还报告了在最多32个并发请求的工作负载下的吞吐量提升，但没有给出这些条件下的具体数字。这意味着，DCOCO在单请求延迟上的表现，以及它在不同并发水平下是否都能维持接近2倍的加速，目前仍未被公开数据覆盖。对于推理优化技术而言，吞吐量和延迟是两个相关但不同的指标，企业客户在部署时往往需要同时评估两者，而现有披露只覆盖了前者的一部分。
与Nvidia的合作是技术验证，但合作范围尚未说明
Two Delta在2026年10月公布了与Nvidia合作的结果。据CTech报道，这次合作的内容是使用DCOCO技术加速Nvidia Nemotron 3.5 Super VL模型的推理。评估在Nvidia DGX B200硬件上使用vLLM推理框架进行。
“合作”这个词在产业语境中可能意味着多种关系：可能是联合研究、可能是Nvidia提供了硬件和工程支持、也可能是更深的集成。但CTech的报道只使用了“collaboration”一词，没有说明合作的具体范围、是否涉及商业协议、Nvidia是否对结果进行了独立验证，或者Nvidia是否计划将DCOCO集成到自己的软件栈中。因此，这次合作目前只能被视为一次技术层面的公开验证，而不能推断为商业合作的信号。
这一点对评估Two Delta的竞争位置很重要。推理优化领域的一个核心问题是：算法改进能否在Nvidia主导的生态系统中形成独立价值。如果DCOCO只能在特定硬件和框架组合下展现优势，它的护城河就取决于能否持续跟随Nvidia的硬件迭代。如果Nvidia自身或其生态中的其他玩家推出了类似或更好的方法，DCOCO的差异化空间就会被压缩。来源材料没有提供Nvidia对DCOCO的任何公开评价，也没有说明这次合作是否会延续。
从产业合作的角度看，这次与Nvidia的公开结果还存在一个容易被忽略的维度：测试对象是Nvidia自家的Nemotron 3.5 Super VL模型，而不是第三方模型。这意味着，DCOCO目前展示的加速效果，是在一个由Nvidia主导的模型和硬件组合上取得的。这种选择有其合理性——Nvidia的模型和DGX B200硬件能够提供一个相对可控、可复现的测试环境，也便于与Nvidia的软件生态对接。但它同时也留下了一个待验证的问题：当目标模型换成其他厂商的模型，或者部署硬件不再是Nvidia的DGX系列时，DCOCO的起草质量提升机制是否还能保持同样的效果。来源材料没有提供DCOCO在其他模型或硬件上的测试结果，因此其跨模型、跨硬件的泛化能力目前仍未被公开数据支持。
EvoWeb暴露了AI编码智能体的真实短板，但离商业变现很远
Two Delta的另一个公开成果是EvoWeb基准。据CTech报道，EvoWeb旨在评估AI编码智能体在用户反复提出新功能和修改需求时，构建和维护Web应用的能力。与只评估单次提示下表现的基准不同，EvoWeb测试一个应用在10次连续请求中的表现：一次初始构建，随后九次修改。
研究测试了32个Web应用，发现没有模型能在整个过程中保持完整功能。表现最好的Fable 5和Kimi K3在零到一分制下分别得到0.694和0.684分。主要困难在于将新功能与现有功能集成。虽然构建失败仍然罕见，但运行时错误率从初始的2%上升到10次请求后的12%。
这个结果的价值不在于给出一个排行榜，而在于揭示了一个结构性缺陷：AI编码智能体可以生成初始版本，也可以在单次任务中表现良好，但随着应用复杂度增加，它们在维护功能间连接关系时会出现累积性错误。这对企业采用AI编码工具构成了直接挑战。企业需要的不是能写出第一版代码的工具，而是能在后续迭代中不破坏既有功能的工具。
但EvoWeb的商业化路径并不清晰。Two Delta没有披露EvoWeb是否会作为付费产品、开源工具或声誉建设资产。一个基准测试可以建立行业影响力，但将影响力转化为收入需要完全不同的能力。来源材料没有提供EvoWeb的任何商业计划。
EvoWeb的测试设计还隐含了一个对AI编码智能体评估方法本身的判断。传统的单次提示基准衡量的是模型能否在一次性任务中生成正确代码，而EvoWeb把评估对象从“生成能力”转向了“维护能力”——它关心的是，当应用已经存在、用户不断提出修改需求时，智能体能否在不破坏既有功能的前提下持续迭代。这种设计更接近企业实际使用AI编码工具的场景，但也因此对评估框架提出了更高要求：它需要定义什么是“完整功能”，如何判断一次修改是否破坏了既有功能，以及如何在不同复杂度的应用之间进行公平比较。来源材料没有披露EvoWeb在这些评估标准上的具体定义和实现细节，因此其结论的可复现性和跨模型可比性，仍需要研究社区进一步检验。
推理优化赛道拥挤，Two Delta的护城河尚未被证明
Two Delta面对的是一个资源极度不对称的竞争环境。云超大规模厂商在推理优化上投入巨大，它们既有自研模型，也有自研推理框架，还有大规模部署产生的真实工作负载数据。学术界的推测解码研究也在快速推进，DFlash只是众多方法之一。Nvidia自身在推理软件栈上的投入同样不可忽视。
在这种环境中，一家初创公司的算法优势需要回答三个问题：优势能否在独立评估中重现？优势能否在不同硬件和模型上保持？优势能否转化为客户愿意付费的产品？目前，Two Delta只回答了第一个问题的一部分——它公布了在特定条件下的自报结果，但独立评估尚未出现。
从已披露的信息看，DCOCO的产品形态未定。它可能作为许可库、云服务或集成到更大平台中，每种路径需要不同的工程和销售能力。Two Delta没有披露付费客户，也没有披露定价模式。一家以研究论文和基准测试为主要公开产出的公司，距离可重复的收入还有相当距离。
投资方的信心可能建立在一个更简单的判断上：推理成本是AI部署中最真实的问题之一，而Two Delta的创始团队有足够的技术背景在这个问题上做出可验证的改进。但这个判断的成立条件，恰恰是Two Delta接下来必须证明的东西——它能否把一次特定条件下的性能提升，变成一种可复制、可交付、可收费的能力。
从竞争维度看，Two Delta的处境还受到一个结构性因素的制约：推测解码本身并不是一个被某一家公司独占的技术方向。它的基本原理在学术文献中已有相当程度的公开讨论，DFlash只是众多实现之一。这意味着，DCOCO的差异化不在于它是否使用了推测解码，而在于它能否在起草质量提升这个具体环节上，持续保持对同类方法的优势。19.8%的相对提升在特定配置下有意义，但这个差距是否足够大、能否在不同模型和硬件上稳定复现，目前仍未被独立验证。在推理优化这种快速迭代的领域，一个方法今天展现出的相对优势，可能在几个月内就被新的学术工作或工程优化所追赶。Two Delta需要证明的，不只是它现在比DFlash快，而是它有能力在推测解码这条技术路线上持续领先。
资金用途只有一句话，真正的验证路径在技术之外
公司通稿称，资金将用于进一步推进AI模型加速和效率技术的研究与开发。除此之外，没有披露团队扩张计划、市场进入策略或产品化时间表。对于一笔数千万美元的种子轮，这种披露程度相当有限。
Two Delta的下一步验证路径可以从其已披露的活动中推断。它需要证明DCOCO的性能结果可以在独立环境中重现，需要说明与Nvidia合作的后续走向，需要明确DCOCO的产品形态，也需要解释EvoWeb在公司战略中的位置。这些都不是单纯的技术问题，而是涉及工程化、销售、合作伙伴关系和市场定位的商业问题。
从已披露的DCOCO性能数据和EvoWeb研究结果看，Two Delta确实在推理优化和AI编码智能体评估两个方向上提出了具体的技术主张。但它的商业化路径、付费客户和定价模式均未披露，DCOCO的产品形态也未确定。因此，本轮融资的真正含义是：投资方为一家尚未证明商业能力的公司提供了相当长的研究跑道。这条跑道能否通向收入，取决于Two Delta能否在巨头环伺的推理优化市场中，把算法优势转化为客户愿意付费的产品。目前，这个转化尚未发生。
从资金用途的单一表述中，可以反推出一个关于公司当前阶段的判断：如果Two Delta已经接近产品化或商业化，那么一笔数千万美元的种子轮通常会伴随更具体的市场进入计划、团队扩张目标或客户获取策略。但公司通稿只提到研究与开发，这更符合一家仍处于技术验证期的公司的状态。在这个阶段，资金的主要作用可能是延长研究跑道，让团队有足够时间把DCOCO从一次特定条件下的性能展示，推进到可以在更多模型、更多硬件和更多工作负载上稳定运行的技术方案。这条路径的验证节点相对清晰：能否在独立环境中重现性能结果，能否把与Nvidia的合作推进到更明确的阶段，以及能否为DCOCO找到一个具体的产品形态。但截至目前，这些节点都还没有公开进展。
RecodeX 极客视：Two Delta的故事目前更像一篇经过同行评议的技术论文，而不是一份商业计划书。2.03倍的吞吐量提升在特定条件下有意义，但推理优化的真正战场不在论文里，而在生产环境中。当一家公司同时披露精确的性能数据和模糊的商业路径时，最值得关注的不是它声称做到了什么，而是它接下来能否让这些数字在别人的硬件上、别人的工作负载中、别人的账单里重现。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。