规模适当的专用模型
一个为单一任务训练的模型可以小到什么程度，同时在该任务上与前沿模型相当，以及运行它需要多少成本。
QMSum：在 Ertas 上训练的 1.2B 模型 ROUGE-1 得分为 35.41，五个托管专有模型中最好的一个为 32.43（论文，2026 年 8 月 18 日）。
阅读 QMSum 论文墨尔本的应用人工智能研究实验室。
我们研究面向企业重复性工作的专用模型，并公开我们的测量结果。
探索研究
从工作出发。
只发布站得住的结果。
前沿模型是租来的通才。对于您的 AI 智能体反复执行的工作，用这项工作训练的模型更便宜，也更快。
每一次与设计合作伙伴的部署，都会在自适应端点和 Ertas 平台中留下可复用的部分，例如评估框架或训练方案。研究决定要解决的问题，部署则在真实流量上验证方法。
与实验室合作墨尔本的应用人工智能研究实验室如何运作。
Ertas AI 是位于墨尔本 Brunswick 的应用人工智能研究实验室。澳大利亚的 AI 研究机构大多设在大学和 CSIRO。应用型实验室从企业及其 AI 智能体反复执行的工作出发，为这些工作训练专用模型，并在同一任务上把每个模型与前沿模型进行比较。
我们的研究围绕三个主题展开：规模适当的专用模型、从流量中学习的模型，以及智能体的单位经济效益。我们发布的每一项结果都属于其中之一。
我们研究什么。
从流量中学习的模型
生产环境中的请求和反馈如何变成训练数据，新版本又如何证明自己值得上线。这正是自适应端点背后的方法。
目前尚未发布结果。结果将在我们的研究页面公布。
智能体的单位经济效益
当智能体大规模运行时，AI 支出流向哪里，哪些任务以最高的每 token 成本大量重复。这些就是值得为之训练模型的任务。
OpenRouter 分析（2026 年 10 月 12 日）：在 30 天内已分类的模型支出中，分类、提取和转换任务占 20.8%。
阅读支出分析我们如何发布。
我们发布方法、测量结果、代码和模型。每个数字都注明日期和比较对象；如果后来的运行推翻了我们的数字，我们会公开更正。
论文、代码和模型在哪里找到我们。
澳大利亚维多利亚州墨尔本 Brunswick。研究合作、资助和媒体
hello@ertas.ai