Berita
Tensorzero Nabs Seed sebesar $ 7,3 juta untuk menyelesaikan dunia kekacauan untuk mengembangkan perusahaan LLM
Ingin lebih banyak visi yang cerdas dari kotak masuk Anda? Berlangganan buletin mingguan kami untuk mendapatkan apa yang hanya terkait dengan lembaga AI, data dan pemimpin keamanan. Berlangganan sekarang
TensorzeroMembangun infrastruktur open source untuk aplikasi model bahasa besar, diumumkan pada hari Senin bahwa mereka mengumpulkan $ 7,3 juta pembiayaan benih yang dipimpin oleh FirstmarkDengan partisipasi dari Bessmer Venture PartnersDan batuDan selamaDan KoalisiDan lusinan investor dari pemilik strategis.
Pembiayaan ini datang pada saat perusahaan yang berusia 18 bulan menghadapi pertumbuhan eksplosif di komunitas pengembang. Tensorzero Gudang Open Source Baru-baru ini “”Gudang #1 untuk minggu ini“Sebuah situs di seluruh dunia di GitHub, karena melonjak dari sekitar 3000 menjadi lebih dari 9700 bintang dalam beberapa bulan terakhir dengan institusi berjuang dengan kompleksitas aplikasi AI untuk produksi.
“Terlepas dari semua kebisingan di industri ini, perusahaan yang membangun aplikasi LLM masih kekurangan alat untuk memenuhi kebutuhan infrastruktur kognitif dan kompleks, dan menggunakan solusi awal yang tersedia di pasar,” kata Matt Turk, Mitra Umum VERSAR, yang memimpin investasi. “Tensorzero menyediakan komponen produksi, siap untuk lembaga untuk membangun aplikasi LLM yang awalnya bekerja bersama dalam loop peningkatan diri, di luar kotak.”
Perusahaan yang berbasis di Brooklyn memiliki titik rasa sakit yang berkembang untuk lembaga -lembaga yang menerbitkan aplikasi kecerdasan buatan dalam skala besar. Sedangkan seperti model bahasa besar GPT-5 Dan Claude Ini telah menunjukkan kemampuan yang nyata, karena membutuhkan terjemahan ke dalam aplikasi bisnis yang andal yang mengoordinasikan beberapa sistem kompleks untuk mencapai model, pemantauan, peningkatan, dan eksperimen.
Kecerdasan buatan membatasi batasnya
Tutup daya, biaya tinggi simbol, dan penundaan dibentuk kembali. Bergabunglah dengan salon eksklusif kami untuk menemukan bagaimana perbedaan besar:
- Mengubah energi menjadi keuntungan strategis
- Mengajar penalaran yang efektif untuk keuntungan produktivitas nyata
- Membuka Pengembalian Investasi Kompetitif dengan Sistem Kecerdasan Buatan Berkelanjutan
Mengamankan tempat Anda untuk tinggal di latar depan: https://bit.ly/4mwngngo
Bagaimana Penelitian Fusi Nuklir membentuk platform untuk meningkatkan kecerdasan buatan
Pendekatan Tensorzero dari co -founder dan latar belakang CTO Viraj Mehta yang tidak konvensional dalam belajar untuk memperkuat reaktor fusi nuklir. Selama doktor di Carnegie MellonDia menjelaskan dalam sebuah wawancara baru -baru ini dengan VentureBeat: “Pekerjaan Machata dalam proyek penelitian manajemen energi di mana biaya pengumpulan data” seperti mobil untuk setiap titik data – 30.000 dolar untuk jangka waktu 5 detik data, “jelasnya dalam wawancara baru -baru ini dengan VentureBeat.
“Masalah ini menyebabkan banyak kecemasan tentang tempat konsentrasi sumber daya kita yang terbatas,” kata Mihata. “Kami hanya akan mencapai total beberapa percobaan, jadi pertanyaannya menjadi: apa tempat paling berharga yang dapat kami kumpulkan data?” Eksperimen ini adalah filosofi Tensorzero dasar: meningkatkan nilai semua data untuk terus meningkatkan sistem kecerdasan buatan.
Insight Mihata dan co -founder Gabriel Bianconi, mantan pejabat kepala produk di Pembiayaan Oondo (Proyek pembiayaan invoastal dengan lebih dari satu miliar dolar aset yang dikelola), untuk mengulangi aplikasi LLM sebagai masalah pembelajaran penguatan di mana sistem belajar dari reaksi di dunia nyata.
“Aplikasi LLM dalam konteksnya yang lebih luas tampaknya menjadi masalah dengan pembelajaran penguatan,” jelas Mihata. “Anda dapat melakukan banyak panggilan ke formulir pembelajaran otomatis dengan input terorganisir, mendapatkan output terorganisir, dan akhirnya menerima bentuk hadiah atau komentar. Ini bagi saya seperti keputusan Marcov yang diperhatikan sebagian.”
Mengapa Institusi Meninggalkan Integrasi Penjual Kompleks Intelijen Buatan Infrastruktur Terpadu
Metode tradisional untuk membangun aplikasi LLM mengharuskan perusahaan untuk mengintegrasikan banyak alat khusus dari gerbang model penjual yang berbeda, platform catatan, kerangka kerja evaluasi, dan layanan penyempurnaan. Tensorzero Kemampuan ini disatukan dalam satu tumpukan open source yang dirancang untuk bekerja bersama dengan lancar.
“Sebagian besar perusahaan tidak melewati masalah menggabungkan semua alat yang berbeda ini, dan bahkan mereka yang berakhir dengan solusi terfragmentasi, karena alat -alat ini tidak dirancang untuk bekerja dengan baik satu sama lain,” kata Bianconi. “Jadi kami menyadari bahwa ada peluang untuk membangun produk yang memungkinkan episode ulasan ini untuk diproduksi.”
Inovasi dasar dari sistem dasar adalah menciptakan apa yang oleh para pendiri disebut “data dan pembelajaran anggaran” – cincin reaksi yang mengubah skala produksi dan komentar manusia menjadi model yang lebih cerdas, lebih cepat dan termurah. Dibangun dengan karat untuk kinerja, Tensorzero mencapai biaya umum sub -kumin dengan semua penyedia LLM utama melalui antarmuka aplikasi yang seragam.
Bank -bank besar dan perusahaan -perusahaan yang muncul dari kecerdasan buatan sudah membangun sistem produksi di Tensorzero
Pendekatan ini telah menarik adopsi lembaga -lembaga penting. Salah satu bank terbesar di Eropa adalah penggunaan Tensorzero untuk mengotomatisasi generasi changelog, sementara banyak startup pertama AI dari seri AI ke Seri B telah menggabungkan platform melalui berbagai industri termasuk perawatan kesehatan, pembiayaan, dan aplikasi konsumen.
“Peningkatan adopsi komunitas open source dan lembaga -lembaga itu luar biasa,” kata Boitkoni. “Kami beruntung menerima kontribusi dari lusinan pengembang di seluruh dunia, dan sangat menyenangkan melihat Tensorzero yang sudah menjalankan aplikasi LLM canggih di startup AI perbatasan dan organisasi besar.”
Basis pelanggan perusahaan dari lembaga -lembaga dari startup meluas ke lembaga keuangan utama, yang ditarik oleh kemampuan teknis dan sifat terbuka dari sumbernya. Untuk lembaga dengan persyaratan kepatuhan yang ketat, ini memberikan kemampuan untuk mengoperasikan Tensorzero dalam infrastruktur mereka, kontrol yang menentukan data sensitif.
Bagaimana Tensorzero melampaui Langchain dan kerangka kerja internasional amnesti lainnya di yayasan
Tensorzero Membedakan dirinya dari solusi yang ada seperti LINJSHEN Dan Litellm Melalui pendekatannya yang komprehensif dan fokus pada proses penerbitan kategori produksi. Sementara banyak kerangka kerja unggul dalam model primer yang cepat, mereka sering mencapai langit -langit ekspansi yang memaksa perusahaan untuk membangun kembali infrastruktur mereka.
“Ada dua dimensi untuk berpikir,” Bianconi menjelaskan. “Pertama, ada sejumlah proyek yang sangat baik untuk memulai dengan cepat, dan Anda dapat menempatkan model pendahuluan dengan sangat cepat. Tetapi seringkali perusahaan akan menyerang atap dengan banyak produk ini dan perlu bergabung dan pergi ke sesuatu yang lain.”
Pendekatan terorganisir sistem untuk pengumpulan data juga menyediakan teknik peningkatan paling canggih. Berbeda dengan alat pengamatan tradisional yang menyimpan input dan output dari teks mentah, Tensorzero memelihara data yang terorganisir tentang variabel yang termasuk dalam setiap penalaran, yang membuatnya mudah untuk melatih model dan mengalami jalan yang berbeda.
Waktu kinerja yang berkuasa karat menyediakan milidison dalam lebih dari 10.000 pertanyaan per detik
Kinerja adalah desain utama. Dalam standar, gerbang Tensorzero berbasis karat menambah kurang dari 1 mm jintan 99 persen sambil berurusan dengan lebih dari 10.000 pertanyaan per detik. Ini dibandingkan secara positif dengan alternatif berbasis ular seperti LitellM, yang dapat menambah 25-100x lebih banyak jintan pada tingkat produktivitas yang jauh lebih rendah.
“Litellm (Python) dalam 100 QPS menambahkan 25-100x+ lebih banyak waktu transisi dari portal kami di 10.000 QPS”, para pendiri memperhatikan pengumuman mereka, dengan menyoroti keunggulan kinerja untuk mengimplementasikan Rust.
Strategi open source bertujuan untuk menghilangkan kekhawatiran penjual penjual intelijen buatan
Tensorzero Dia berkomitmen untuk mempertahankan sistem utamanya sepenuhnya open source, tanpa fitur berbayar-strategi yang dirancang untuk membangun kepercayaan diri dengan pelanggan dengan lembaga yang hati-hati dari mengunci penjual. Perusahaan berencana untuk mencapai pendapatan melalui layanan manajemen yang diotomatisasi oleh aspek LLM yang paling canggih, seperti manajemen GPU untuk model dan rekomendasi peningkatan proaktif.
“Kami telah menyadari sangat awal bahwa kami perlu membuat sumber ini terbuka, untuk memberikan kepercayaan diri (perusahaan) untuk melakukannya,” kata Bianconi. “Di masa depan, setidaknya satu tahun dari sekarang dari sudut pandang yang realistis, kami akan kembali dengan layanan pelengkap.”
Layanan terkelola akan fokus pada mengotomatisasi aspek -aspek intens dari sudut pandang matematika untuk meningkatkan LLM sambil mempertahankan esensi dari open source. Ini termasuk berurusan dengan infrastruktur GPU untuk kontrol, mengoperasikan eksperimen otomatis, dan memberikan saran proaktif untuk meningkatkan kinerja model.
Apa infrastruktur berikutnya yang membentuk kembali perusahaan
Fungsi iklan Tensorzero Di garis depan gerakan yang berkembang untuk menyelesaikan tantangan “llmops” – kompleksitas operasional untuk menjalankan aplikasi kecerdasan buatan dalam produksi. Sementara institusi semakin mempertimbangkan Amnesty International dengan infrastruktur bisnis yang kritis daripada teknologi eksperimental, permintaan untuk alat prefabrikasi terus menghasilkan.
Melalui pembiayaan baru, Tensorzero berencana untuk mempercepat pengembangan infrastruktur open source saat membangun timnya. Perusahaan saat ini mempekerjakan di New York dan menyambut kontribusi open source dari komunitas pengembang. Para pendiri sangat bersemangat untuk mengembangkan alat penelitian yang akan memungkinkan pengalaman lebih cepat melalui berbagai aplikasi kecerdasan buatan.
“Visi akhir kami adalah untuk memungkinkan data dan mempelajari roda anggaran untuk meningkatkan aplikasi LLM – reaksi yang mengubah standar produksi dan komentar manusia menjadi model dan agen yang lebih pintar, lebih cepat dan termurah.” “Dengan pertumbuhan model kecerdasan buatan lebih cerdas dan aliran kerja yang lebih rumit diambil, Anda tidak dapat memikirkannya dalam ruang hampa; Anda harus melakukan ini dalam konteks konsekuensi sebenarnya.”
Tensorzero Pertumbuhan cepat Gyper Lembaga -lembaga awal menunjukkan bahwa pasar produk yang kuat sepadan dengan perlakuan salah satu tantangan paling mendesak dalam mengembangkan kecerdasan buatan modern. Pendekatan open source perusahaan dan fokus pada kinerja di tingkat lembaga dapat membuktikan keuntungan yang menentukan di pasar, karena pengembang mengadopsi penjualan lembaga.
Untuk institusi yang masih berjuang untuk mentransfer aplikasi kecerdasan buatan dari model awal ke produksi, pendekatan Tensorzero Unified memberikan alternatif yang meyakinkan untuk tambalan alat khusus saat ini. Seperti yang ditunjukkan oleh salah satu pengamat dalam industri ini, perbedaan antara membangun eksperimental menawarkan Amnesty International dan membangun bisnis Amnesty International sering kali disebabkan oleh infrastruktur Tensorzero bahwa infrastruktur terpadu yang diarahkan pada kinerja akan menjadi dasar bahwa generasi berikutnya dari perusahaan intelijen buatan telah dibangun.
Tautan sumber
Berita
Platform pengkodean getaran, Cursor, meluncurkan komposer LLM internal pertamanya, Komposer, yang menjanjikan peningkatan kecepatan 4X lipat
Alat kripto yang menarik, indikatornya, telah ada sejak awal dimana sajadia punya Komposer memperkenalkanModel Bahasa Markup Besar (LLM) pertama yang dibuat sendiri sebagai bagian dari programnya Pembaruan platform indeks 2.0.
Komposer dirancang untuk menjalankan tugas pemrograman dengan cepat dan akurat di lingkungan produksi, mewakili langkah baru dalam pemrograman berbantuan AI. Ini sudah digunakan oleh tim teknik Cursor dalam pengembangan sehari-hari – menunjukkan kematangan dan stabilitas.
Berdasarkan indikatornya, komposer menyelesaikan interaksi terbanyak Kurang dari 30 detik Sambil mempertahankan kemampuan tingkat tinggi untuk bernalar di seluruh basis kode yang besar dan kompleks.
Model ini digambarkan empat kali lebih cepat dibandingkan sistem cerdas serupa, dan dilatih berdasarkan alur kerja “agen” – di mana agen pengkode independen secara kolaboratif merencanakan, menulis, menguji, dan meninjau kode.
Sebelumnya, indikator ini didukung "Pengodean suasana" — Menggunakan AI untuk menulis atau menyelesaikan kode berdasarkan instruksi bahasa alami dari pengguna, meskipun mereka adalah seseorang yang tidak terlatih dalam pengembangan — Di atas LLM berpemilik terkemuka lainnya Dari OpenAI, Anthropic, Google dan xAI. Opsi ini masih tersedia untuk pengguna.
Hasil standar
Kemampuan komposer diukur dengan menggunakan "kursi indikator," Kumpulan evaluasi internal yang berasal dari permintaan agen pengembang nyata. Standar ini tidak hanya mengukur kebenaran, tetapi juga kepatuhan model terhadap abstraksi, konvensi gaya, dan praktik teknik saat ini.
Dengan standar ini, Komposer mencapai kecerdasan pemrograman tingkat batas saat membuat file 250 simbol per detik – Hampir dua kali lebih cepat dibandingkan model inferensi cepat terkemuka dan empat kali lebih cepat dibandingkan sistem frontier sebanding.
Model perbandingan yang dipublikasikan Cursor membagi model ke dalam beberapa kategori: “Terbuka Terbaik” (misalnya, Qwen Coder, GLM 4.6), “Fast Frontier” (Haiku 4.5, Gemini Flash 2.5), “Frontier 7/2025” (model pertengahan tahun terkuat yang tersedia), dan “Best Frontier” (termasuk GPT-5 dan Claude Sonnet 4.5). Komposer mencocokkan kecerdasan sistem kelas menengah sambil memberikan kecepatan generasi tertinggi yang pernah tercatat di antara semua kelas yang diuji.
Sebuah model berdasarkan pembelajaran penguatan dan arsitektur campuran ahli
Ilmuwan riset Sasha Rush dari Cursor memberikan wawasan tentang pengembangan model di Postingan di jejaring sosial Xmenggambarkan komposer sebagai model campuran para ahli terpelajar (RL):
“Kami menggunakan RL untuk melatih model MOE besar agar benar-benar ahli dalam pemrograman dunia nyata, dan juga sangat cepat.”
Rush menjelaskan bahwa tim merancang bersama lingkungan Komposer dan Kursor agar model dapat berjalan secara efisien pada skala produksi:
“Tidak seperti sistem pembelajaran mesin lainnya, Anda tidak dapat mengambil banyak manfaat dari sistem berskala besar. Kami bersama-sama merancang proyek ini dan indikatornya agar agen dapat berjalan pada skala yang diperlukan.”
Komposer dilatih tentang tugas rekayasa perangkat lunak nyata, bukan kumpulan data statis. Selama pelatihan, model dijalankan dalam basis kode lengkap menggunakan berbagai alat produksi—termasuk pengeditan file, pencarian semantik, dan perintah terminal—untuk memecahkan masalah teknik yang kompleks. Setiap iterasi pelatihan melibatkan penyelesaian tantangan konkrit, seperti menghasilkan modifikasi kode, merumuskan rencana, atau membuat penjelasan yang ditargetkan.
Cincin penguatan meningkatkan kesehatan dan efisiensi. Komposer telah belajar bagaimana membuat pilihan instrumen yang efektif, menggunakan paralelisme, dan menghindari tanggapan yang tidak perlu atau spekulatif. Seiring waktu, model tersebut mengembangkan perilaku yang muncul seperti menjalankan pengujian unit, memperbaiki bug Linter, dan melakukan pencarian kode multi-langkah secara mandiri.
Desain ini memungkinkan Composer untuk beroperasi dalam konteks runtime yang sama dengan pengguna akhir, sehingga lebih kompatibel dengan kondisi pemrograman dunia nyata – berhubungan dengan kontrol versi, manajemen ketergantungan, dan pengujian berulang.
Dari prototipe hingga produksi
Perkembangan Komposer mengikuti prototipe internal sebelumnya yang dikenal sebagai Cheetahyang digunakan Index untuk mengeksplorasi heuristik latensi rendah untuk tugas pemrograman.
“Cheetah adalah versi 0 dari model ini terutama untuk pengujian kecepatan,” kata Rush pada X. “Metrik kami menunjukkan bahwa dia (sang komposer) sama cepatnya, tetapi jauh lebih pintar.”
Keberhasilan Cheetah dalam mengurangi latensi telah membantu Cursor mengidentifikasi kecepatan sebagai faktor kunci dalam kepercayaan pengembang dan kemudahan penggunaan.
Komposer mempertahankan daya tanggap tersebut sekaligus meningkatkan inferensi dan generalisasi tugas secara signifikan.
Pengembang yang menggunakan Cheetah selama pengujian awal mencatat bahwa kecepatannya mengubah cara mereka bekerja. “Itu sangat cepat sehingga saya bisa tetap mendapatkan informasi terbaru saat bekerja dengannya,” komentar salah satu pengguna.
Komposer mempertahankan kecepatan ini tetapi memperluas kemampuan untuk tugas pengkodean, pemfaktoran ulang, dan pengujian multi-langkah.
Integrasi dengan Indikator 2.0
Komposer telah terintegrasi penuh ke dalam Cursor 2.0, pembaruan besar pada lingkungan pengembangan agen perusahaan.
Platform ini menawarkan antarmuka multi-agen, memungkinkan Hingga delapan agen untuk bekerja secara paralel, Masing-masing berada di ruang kerja yang terisolasi menggunakan git work tree atau mesin jarak jauh.
Dalam sistem ini, komposer dapat bertindak sebagai satu atau lebih agen, melakukan tugas secara mandiri atau kolaboratif. Pengembang dapat membandingkan beberapa hasil dari pengoperasian agen secara bersamaan dan memilih yang terbaik.
Cursor 2.0 juga menyertakan fitur pendukung yang meningkatkan efektivitas Composer:
Peramban di dalam editor (GA) – Memungkinkan agen untuk menjalankan dan menguji kode mereka langsung di dalam IDE, mengarahkan informasi DOM ke formulir.
Tingkatkan peninjauan kode – Mengumpulkan perbedaan di beberapa file untuk pemeriksaan lebih cepat terhadap perubahan yang dihasilkan oleh model.
Terminal mode proteksi (GA) – Isolasi perintah shell yang dikelola agen untuk eksekusi lokal yang aman.
Modus suara – Menambahkan kontrol ucapan-ke-teks untuk memulai atau mengelola sesi agen.
Meskipun pembaruan platform ini memperluas pengalaman Cursor secara keseluruhan, Composer diposisikan sebagai inti teknis yang memungkinkan enkripsi proxy yang cepat dan andal.
Infrastruktur dan sistem pelatihan
Untuk melatih Komposer dalam skala besar, Cursor membangun infrastruktur pembelajaran penguatan khusus yang menggabungkan PyTorch dan Ray untuk pelatihan asinkron di ribuan GPU NVIDIA.
Tim ini mengembangkan kernel MXFP8 MoE khusus dan memparalelkan data hash campuran, memungkinkan pembaruan model skala besar dengan overhead komunikasi minimal.
Konfigurasi ini memungkinkan Cursor untuk melatih model secara lokal dengan akurasi rendah tanpa memerlukan kuantisasi pasca-pelatihan, sehingga meningkatkan kecepatan dan efisiensi inferensi.
Pelatihan komposer bergantung pada ratusan ribu lingkungan sandbox secara bersamaan – masing-masing merupakan ruang kerja pemrograman mandiri – yang berjalan di cloud. Perusahaan telah mengadaptasi infrastruktur agen back-end untuk menjadwalkan mesin virtual ini secara dinamis, mendukung sifat eksplosif dari proses RL yang besar.
Penggunaan perusahaan
Peningkatan kinerja Komposer didukung oleh perubahan tingkat infrastruktur melalui tumpukan kecerdasan kode Cursor.
Perusahaan telah mengoptimalkan Protokol Server Bahasa (LSP) untuk diagnostik dan navigasi yang lebih cepat, terutama dalam proyek Python dan TypeScript. Perubahan ini mengurangi latensi ketika Komposer berinteraksi dengan repositori besar atau membuat pembaruan multi-file.
Pengguna perusahaan memiliki kontrol administratif atas Komposer dan agen lainnya melalui aturan tim, log audit, dan aplikasi sandbox. Lapisan Tim dan Perusahaan Cursor juga mendukung penggunaan formulir batch, autentikasi SAML/OIDC, dan analitik untuk memantau kinerja agen di seluruh organisasi.
Harga untuk pengguna individu berkisar dari Gratis (Hobi) hingga Ultra ($200 per bulan), dengan batas penggunaan yang diperpanjang untuk pelanggan Pro+ dan Ultra.
Harga bisnis mulai dari $40 per pengguna per bulan untuk Teams, dengan kontrak perusahaan yang menawarkan opsi penggunaan dan kepatuhan khusus.
Peran komposer dalam lanskap pemrograman AI yang terus berkembang
Fokus Komposer pada kecepatan, pembelajaran penguatan, dan integrasi dengan alur kerja pengkodean langsung membedakannya dari asisten pengembangan AI lainnya seperti GitHub Copilot atau Agen Replit.
Alih-alih bertindak sebagai mesin saran pasif, Composer dirancang untuk kolaborasi berbasis agen yang berkelanjutan, di mana beberapa sistem independen berinteraksi langsung dengan basis kode proyek.
Spesialisasi tingkat model ini—melatih AI untuk beroperasi di lingkungan nyata di mana ia akan beroperasi—mewakili langkah penting menuju pengembangan perangkat lunak yang praktis dan otonom. Komposer dilatih tidak hanya pada data teks atau kode statis, namun dalam IDE dinamis yang mencerminkan kondisi produksi.
Rasch menggambarkan pendekatan ini sebagai hal yang penting untuk mencapai keandalan di dunia nyata: Model ini tidak hanya mempelajari cara membuat kode, namun juga cara mengintegrasikan, menguji, dan meningkatkannya dalam konteks.
Artinya bagi pengembang perusahaan dan pemrograman dinamis
Dengan Composer, Cursor menawarkan lebih dari sekadar model cepat, Cursor menerapkan sistem AI yang dioptimalkan untuk penggunaan di dunia nyata, dirancang untuk bekerja dalam alat yang sama yang sudah diandalkan oleh pengembang.
Kombinasi pembelajaran penguatan, desain campuran ahli, dan integrasi produk yang erat memberi Komposer keunggulan praktis dalam kecepatan dan daya tanggap yang membedakannya dari model bahasa tujuan umum.
Meskipun Cursor 2.0 menyediakan infrastruktur untuk kolaborasi antara banyak agen, Composer adalah inovasi inti yang membuat alur kerja dapat dijalankan.
Ini adalah model pengkodean pertama yang dirancang khusus untuk pengkodean proxy tingkat produksi — dan gambaran awal tentang seperti apa pemrograman sehari-hari ketika pengembang manusia dan pekerja lepas berbagi ruang kerja yang sama.
baruAnda sekarang dapat mendengarkan artikel Fox News!
Seperti ayah, seperti anak laki-laki.
Christopher Schwarzenegger, 28, memukau penonton dengan fisik barunya saat keluar bersama saudara perempuannya Katherine Schwarzenegger Pratt, saudara ipar Chris Pratt dan anak-anak mereka untuk bersenang-senang memetik labu di lingkungan Brentwood di Los Angeles.
Putra bungsu Arnold Schwarzenegger dan Maria Shriver menarik perhatian saat tamasya keluarga musim gugur yang meriah, menandai transformasi yang menakjubkan.
Christopher Schwarzenegger memamerkan penurunan berat badannya yang signifikan saat jalan-jalan bersama keluarga di danau
Christopher Schwarzenegger terlihat memetik labu di Brentwood pada 27 Oktober 2025. (stoyanov/kisi belakang)
Christopher, yang mengatakan pada musim semi ini berat badannya telah turun sekitar 30 pon, memamerkan lengannya yang kencang dan fisik yang bugar saat dia membawa bukan hanya satu, tapi tiga labu berukuran sedang ke dalam mobil.
Mengenakan tank top putih, celana hijau tua, dan sepatu kets, Christopher menjaga suasana tetap sejuk dan nyaman, mengikatkan kaos putih di pinggangnya, membuat pengangkatan barang berat terlihat mudah.
Para penonton tidak bisa tidak memperhatikan bahwa adik laki-laki Schwarzenegger, Shriver, berubah menjadi mode paman penuh saat dia membantu keponakannya — Lila, 5, dan Eloise, 3 — memilih labu yang sempurna. Yang tidak hadir dalam perayaan tersebut adalah putra bungsu Katherine dan Pratt, Ford, yang berusia 11 bulan.
Christopher Schwarzenegger tampil bertelanjang dada saat berada di kapal bersama keluarganya. (Christopher Schwarzenegger/Instagram)
Ini merupakan tahun transformatif bagi Christopher, yang menjadi lebih ramping dalam beberapa bulan terakhir. Komitmennya terhadap kebugaran mencerminkan komitmen ayahnya yang terkenal, bintang “Terminator” legendaris dan mantan gubernur California, yang sering berbicara tentang pentingnya hidup sehat dan disiplin.
Chris Pratt membagikan foto langka untuk ulang tahun putranya yang ke-13
Pada bulan September, penurunan berat badan Christopher terlihat jelas selama tamasya keluarga lainnya.
Seorang wanita berambut pirang memeluk Christopher Schwarzenegger saat dia duduk di kursi kapten. (Christopher Schwarzenegger/Instagram)
Dalam postingan Instagram, Katherine membagikan sederet foto hari keluarga di danau. Dalam beberapa foto, Christopher terlihat bertelanjang dada dan mengenakan celana renang bergaris biru putih.
Klik di sini untuk berlangganan buletin hiburan
di dalam Gambar lainDia duduk di kursi kapten dan berpose di depan kamera dengan seorang wanita berambut pirang duduk di pangkuannya sambil memeluknya.
Christopher sebelumnya telah berbicara tentang kerja keras di balik transformasi kebugarannya. Meskipun ia sering kali tidak menonjolkan diri, ia kembali menjadi sorotan pada bulan Mei berkat penampilan barunya yang sangat bugar. Dia berbicara di panel pada peresmian Beacher Vitality Happy & Healthy Summit di Los Angeles bersama Shriver, Kelly Osbourne, dan Jeff Beacher, di mana dia membahas perjalanan panjang di balik hasil yang dicapainya.
Arnold Schwarzenegger dan Patrick Schwarzenegger menghadiri pemutaran perdana dunia The White Lotus Musim 3. (Jeff Kravitz/Keajaiban Film HBO)
Apakah Anda menyukai apa yang Anda baca? Klik di sini untuk berita hiburan lainnya
“Itu adalah operasi besar,” kata Christopher pada sidang tanggal 10 Mei di Hollywood Roosevelt. orang-orang.
Dia melanjutkan: “Ini dimulai pada tahun 2019 ketika saya tinggal di Australia. Saya sedang dalam perjalanan besar ini. Saya telah membuat (kesepakatan) besar dengannya seperti, ‘Oh, saya akan keluar dan melakukan semua hal ini dan berada di Australia,’ dan saya melihat betapa berat badan saya menghalangi saya untuk melakukan aktivitas sehari-hari.”
Terlepas dari transformasi dramatisnya, Christopher juga mengatakan bahwa dia belum mencapai tujuannya, dan mencatat bahwa ketika melihat “foto sebelum dan sesudahnya… Saya merasa belum sampai di sana.”
Klik di sini untuk mengunduh aplikasi FOX NEWS
baruAnda sekarang dapat mendengarkan artikel Fox News!
Presiden Rusia Vladimir Putin mengumumkan pada hari Rabu bahwa Rusia telah mencapai “kesuksesan besar” dalam pengujian kapal selam tak berawak kelas Poseidon berkemampuan nuklir, dan menggambarkan sistem tersebut sebagai langkah besar dalam program senjata strategis negara tersebut, menurut Reuters.
“Untuk pertama kalinya, kami tidak hanya dapat meluncurkannya dengan mesin peluncuran dari kapal selam pengangkut, tetapi juga meluncurkan unit tenaga nuklir yang perangkatnya telah dijalankan selama jangka waktu tertentu,” kata Putin. “Tidak ada yang seperti ini.”
“Kekuatan Poseidon secara signifikan melebihi kekuatan rudal antarbenua Sarmat yang menjanjikan,” katanya, mengacu pada prototipe Satin 2 Rusia.
Trump mengatakan dia tidak akan membuang waktu untuk bertemu dengan Putin kecuali kesepakatan dengan Ukraina segera tercapai
Presiden Rusia Vladimir Putin (NASA/JPL-Caltech melalui AP)
Poseidon, pertama kali diluncurkan pada tahun 2018, dirancang untuk melakukan perjalanan melintasi lautan dengan kecepatan tinggi menggunakan tenaga nuklir dan membawa hulu ledak besar. Para pejabat Rusia mengklaim senjata ini dapat menciptakan gelombang radiasi dahsyat yang mampu menyerang sasaran di pesisir pantai, meski status operasionalnya belum diverifikasi secara independen.
Putin juga menyebutkan kemajuan dalam sistem strategis lainnya, termasuk rudal jelajah bertenaga nuklir Burevestnik, yang menurut Moskow mampu terbang tanpa batas waktu dan menghindari pertahanan rudal. Para pejabat Rusia melaporkan keberhasilan uji terbang rudal Burevestnik pada awal pekan ini sebagai bagian dari kesiapan nuklir yang lebih luas.
Rusia mengatakan uji coba Burevestnik yang berhasil menempuh jarak lebih dari 14.700 mil, menimbulkan keheranan di Barat.
Pada hari Senin, Presiden Donald Trump menanggapi uji coba senjata Rusia baru-baru ini, dengan mengatakan kepada wartawan di pesawat Air Force One bahwa Putin “seharusnya mengakhiri perang di Ukraina, bukan menguji rudal.” Dia menambahkan bahwa AS memiliki “kapal selam nuklir tepat di lepas pantainya… sehingga tidak perlu melakukan perjalanan sejauh 8.000 mil,” dan memperingatkan bahwa “kami juga tidak bermain-main dengan mereka.”
Trump membekukan Putin karena tidak mengambil ‘tindakan yang cukup’ menuju perdamaian – pembicaraan di masa depan tidak pasti
Peluncuran rudal balistik antarbenua Yars sebagai bagian dari latihan nuklir Rusia dari lokasi peluncuran di Plesetsk, barat laut Rusia, 2022 (Layanan Pers Kementerian Pertahanan Rusia melalui AP)
Trump mengatakan bahwa alih-alih fokus pada pengembangan rudal, Putin sebaiknya “mengakhiri perang… Perang yang seharusnya memakan waktu seminggu kini sudah memasuki tahun keempat.”
Dalam beberapa hari terakhir, Moskow telah meningkatkan serangannya di Ukraina timur, mengklaim bahwa mereka telah merebut beberapa desa di garis depan, dan mendekati kota strategis Pokrovsk di wilayah Donetsk. Awal bulan ini, Putin mengatakan pasukan Rusia telah merebut hampir 5.000 kilometer persegi wilayah Ukraina sejak awal tahun – sebuah klaim yang disengketakan oleh Ukraina.
Klik di sini untuk mengunduh aplikasi FOX NEWS
Para pejabat AS dan NATO belum secara independen mengkonfirmasi uji coba Poseidon tersebut, dan Pentagon menolak berkomentar.
Reuters dan Associated Press berkontribusi pada laporan ini.
Berita8 tahun agoThese ’90s fashion trends are making a comeback in 2017
- Berita8 tahun ago
The final 6 ‘Game of Thrones’ episodes might feel like a full season
- Berita8 tahun ago
According to Dior Couture, this taboo fashion accessory is back
- Berita8 tahun ago
Uber and Lyft are finally available in all of New York State
- Berita8 tahun ago
The old and New Edition cast comes together to perform
Bisnis9 bulan agoMeta Sensoren Disensi Internal atas Ban Trump Mark Zuckerberg
- Berita8 tahun ago
Phillies’ Aaron Altherr makes mind-boggling barehanded play
Hiburan9 bulan agoMakna di balik jejak perbedaan Kendrick Lamar – Hollywood Life
