跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

Maya HTT推出本地部署工程助手M-Bot

Maya HTT于2026年11月2日发布M-Bot。这是一款面向工程团队的本地部署检索增强生成助手,在客户自有基础设施内查询内部文档,敏感数据始终留在客户手中。

人工智能与模型新闻林晓雯发布: 2026年11月4日5 分钟阅读资料来源 15
Maya HTT推出本地部署工程助手M-Bot

Maya HTT表示,M-Bot运行在客户自己的基础设施里。这家总部位于蒙特利尔的公司称,助手能接入工程、制造和工业运营方面的内部知识,几秒钟内给出答案。

据Maya HTT介绍,该产品采用检索增强生成(RAG)技术,可以处理涉及文本、图像、表格、图表等工程资料的技术问题,而常规大模型读不懂这些资料。它还能连接Teamcenter及其他PLM环境,也接入SharePoint和Confluence,并把每个答案追溯到来源文档。

Maya HTT称,检索速度比人工搜索快最多60倍,原本五分钟的手工查找缩短到大约五秒。这些数字由厂商提供。该公司还表示,M-Bot不产生大模型token计费成本,客户在部署前就能知道账单金额。

Maya HTT工业AI副总裁Remi Duquette表示,工程机构手里有大量技术知识,却很难及时把正确的信息送到正确的人手上,让信息真正影响决策。

Maya HTT瞄准的是航空航天、国防和制造业。这些行业涉及敏感知识产权,公司称数据主权要求更倾向于本地部署或客户自主控制的系统。M-Bot目前已可供演示,也可用于企业部署。

市场预测

ResearchAndMarkets于10月30日发布的一份报告显示,全球RAG平台市场2025年为40亿美元,2026年为55.2亿美元。报告预测到2036年将达437.5亿美元,2026至2036年预测期内的复合年增长率为23.0%。

报告统计范围包括向量数据库与搜索引擎、嵌入与重排序模型、编排框架、数据摄取与解析工具、连接器、评估与防护平台、云端托管的RAG服务、企业知识助手,以及咨询、集成和托管服务。基础模型使用费用不计入,不具备检索功能的通用数据库也不计入。

报告称,法律、金融、医疗等受监管行业采用最积极,这些行业需要可追溯、带引用的输出。报告还指出,AI智能体正在推高需求,因为多步骤工作流离不开对数据、应用和工具的持续访问。

报告以Elastic作为市场势头的例证。Elastic公布,2026财年第一季度有超过2200家Elastic Cloud客户运行生成式AI工作负载,第三季度营收增长18%,达到4.5亿美元。

准确性与安全

准确性仍是RAG系统的一道门槛。报告引用了一项预先注册的斯坦福研究:LexisNexis和Thomson Reuters的RAG法律研究产品在17%至33%的查询中出现幻觉,单独使用的GPT-4则为43%。该研究记录了编造的法律依据、不完整的回答,以及对法律案件的错误解读。

安全风险也在加剧。2025年6月,微软修复了EchoLeak漏洞,编号CVE-2025-32711,这是一个在CVSS评分中高达9.3的零点击漏洞。报告称,该漏洞说明,从电子邮件中检索到的恶意内容可以操纵Microsoft 365 Copilot,泄露敏感信息。

ResearchAndMarkets的报告称,正因如此,企业开始优先考虑权限感知检索、提示注入检测、数据防泄漏、来源追溯和审计能力。

IT Pro报道称,把文件复制到独立的向量存储会产生影子数据、消耗带宽,还会剥离原始权限。

Maya HTT把M-Bot定位为避免把敏感工程数据发给外部模型的一种办法。公司表示,该助手在本地或客户自主控制的基础设施内运行,以满足航空航天、国防和制造业的数据主权要求。

评论 0

资料来源

15
  1. 01Maya HTT Launches M-Bot, a Secure Enterprise Engineering Knowledge AssistantEN
  2. 02Retrieval-Augmented Generation (RAG) Platforms Market Size, Share, Trends, and Industry Analysis - Global Forecast to 2036EN
  3. 03From synthetic enterprise data evaluations to real Microsoft Copilot AI confidenceEN
  4. 04One platform, four enterprise AI data challenges solved: Inside Dell AI Data PlatformEN
  5. 05RAG vs LLM Fine-Tuning: Choosing the Right Approach for Enterprise AIEN
  6. 06STAT+: Amid Mass General Brigham layoffs, CEO pens vague letter, stirring staff anxietyEN
  7. 07Aluminum–Air Generators for Data Centres Face a Metal Logistics TestEN
  8. 08Enterprise AI Assistant: RAG + Intelligent Model RoutingEN
  9. 09Behind-the-meter generation could deliver five times more grid relief than data center load shiftingEN
  10. 10Google Warns LLMjacking Attacks Are Costing Some Enterprises Up to $1 Million in Cloud ChargesEN
  11. 11The Share of Solar Generation with Co-located Battery Storage Is IncreasingEN
  12. 12AC Milan, Inter strike ‘€650m’ Generali naming rights deal for new stadiumEN
  13. 13China touts AI milestone: models generate more tokens than used in trainingEN
  14. 14Why Enterprise Data is Becoming the New Competitive Advantage in AIEN
  15. 15Google Cloud and NVIDIA Announce General Availability of NVIDIA Vera Rubin InfrastructureEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

林晓雯

林晓雯

人工智能、模型与技术

林晓雯负责FLASH24的人工智能、模型与技术方向,主要写科技、人工智能与模型、媒体与互联网三个领域。她习惯从论文预印本、开源代码库和厂商技术文档入手,先核对训练数据来源和评测口径,再决定是否落笔。遇到模型跑分,她会自己复现一遍小规模测试,并对照独立第三方榜单,确认数字没有注水。她常联系一线工程师和产品经理,也盯着各大会议截稿日,把不同版本的技术报告放在一起比。业余时间她玩3D打印、折腾老电脑,还关心模型从网络垃圾里学到的偏见问题,这让她对数据清洗格外敏感。她有一条原则:拿不到原始数据的性能宣称,不写。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。