規模適當的專用模型
一個為單一任務訓練的模型可以小到什麼程度，同時在該任務上與前沿模型相當，以及執行它需要多少成本。
QMSum：在 Ertas 上 訓練的 1.2B 模型 ROUGE-1 分數為 35.41，五個託管專有模型中最好的一個為 32.43（論文，2026 年 8 月 18 日）。
閱讀 QMSum 論文墨爾本的應用人工智慧研究實驗室。
我們研究面向企業重複性工作的專用模型，並公開我們的測量結果。
探索研究
從工作出發。
只發表站得住的結果。
前沿模型是租來的通才。對於您的 AI 代理反覆執行的工作，用這項工作訓練的模型更便宜，也更快。
每一次與設計合作夥伴的部署，都會在自適應端點和 Ertas 平台中留下可重複使用的部分，例如評估框架或訓練方法。研究決定要解決的問題，部署則在真實流量上驗證方法。
與實驗室合作墨爾本的應用人工智慧研究實驗室如何運作。
Ertas AI 是位於墨爾本 Brunswick 的應用人工智慧研究實驗室。澳洲的 AI 研究機構大多設在大學和 CSIRO。應用型實驗室從企業及其 AI 代理反覆執行的工作出發，為這些工作訓練專用模型，並在同一任務上將每個模型與前沿模型比較。
我們的研究圍繞三個主題展開：規模適當的專用模型、從流量中學習的模型，以及代理的單位經濟效益。我們發表的每一項結果都屬於其中之一。
我們研究什麼。
從流量中學習的模型
正式環境中的請求和回饋如何變成訓練資料，新版本又如何證明自己值得上線。這正是自適應端點背後的方法。
目前尚未發表結果。結果將在我們的研究頁面公布。
代理的單位經濟效益
當代理大規模運行時，AI 支出流向哪裡，哪些任務以最高的每 token 成本大量重複。這些就是值得為其訓練模型的任務。
OpenRouter 分析（2026 年 10 月 12 日）：在 30 天內已分類的模型支出中，分類、擷取和轉換任務佔 20.8%。
閱讀支出分析我們如何發表。
我們發表方法、測量結果、程式碼和模型。每個數字都註明日期和比較對象；如果後來的執行推翻了我們的數字，我們會公開更正。
論文、程式碼和模型在哪裡找到我們。
澳洲維多利亞州墨爾本 Brunswick。研究合作、補助和媒體
hello@ertas.ai