Introducción
Poco más de un año después de que Lepton AI pasara a formar parte de NVIDIA, Yangqing Jia vuelve a empezar.
Su nueva empresa, Intent Lab, no se lanza con un chatbot convencional, un marketplace en la nube o un IDE para desarrolladores. En su lugar, la compañía está construyendo Fleet, que describe como un equipo de ingeniería autónomo que convierte una intención de alto nivel en software de calidad de producción.
La primera demostración pública de Intent Lab incluye tres sistemas muy diferentes:
- Un motor de inferencia GLM-5.2 optimizado más allá del TensorRT-LLM estándar.
- Una base de datos compatible con SQLite construida a partir de un requisito de una línea.
- Un sistema de archivos distribuido para agentes de IA con verificación formal y pruebas de fallos.
A primera vista, los proyectos no parecen pertenecer a una misma categoría de producto.
Ese es precisamente el punto.
Intent Lab afirma que el producto real es el sistema de ingeniería que hay detrás. Fleet está diseñado para realizar el trabajo entre una solicitud de software vaga y un sistema que pueda ser evaluado, verificado, operado y evolucionado en producción.
Las cifras de rendimiento iniciales de este artículo provienen de los materiales de lanzamiento de Intent Lab. Son demostraciones prometedoras, no certificaciones de referencia independientes. La empresa aún no ha publicado suficientes detalles de reproducibilidad para que equipos externos puedan confirmar cada resultado en condiciones idénticas.
Yangqing Jia Está Creando Otra Empresa de Infraestructura
La carrera de Yangqing Jia ha vuelto a la infraestructura en repetidas ocasiones.
Es conocido principalmente por crear Caffe mientras estaba en UC Berkeley y más tarde por trabajar en importantes proyectos de infraestructura de IA, incluidos PyTorch y ONNX.
Después de dejar Alibaba en 2023, Jia cofundó Lepton AI, una empresa centrada en facilitar a los desarrolladores el cómputo GPU y el despliegue de modelos.
La propuesta original de Lepton combinaba una experiencia de desarrollador nativa de Python con una infraestructura capaz de ejecutar cargas de trabajo de IA en múltiples proveedores de GPU.
La empresa fue adquirida por NVIDIA en 2025 en un acuerdo que en su momento se describió públicamente como valorado en cientos de millones de dólares. Informes posteriores de la industria situaron la cifra en aproximadamente 700 millones de dólares, aunque NVIDIA no publicó un precio final de adquisición.
La tecnología de Lepton pasó a formar parte de NVIDIA DGX Cloud Lepton.
NVIDIA describe actualmente DGX Cloud Lepton como una plataforma activa que unifica la computación de GPU en proveedores de nube e infraestructura propiedad del cliente para desarrollo, entrenamiento e inferencia.
Ese estado actual vale la pena aclararlo porque los comentarios posteriores a la salida de Jia argumentaron que el producto original de Lepton con estilo de startup y sus ambiciones de código abierto no sobrevivieron intactos a la adquisición.
La evidencia pública respalda una descripción más cuidadosa:
- La empresa independiente Lepton fue absorbida por NVIDIA.
- Su marca y tecnología pasaron a formar parte de DGX Cloud Lepton.
- NVIDIA todavía opera y documenta DGX Cloud Lepton hoy en día.
- La biblioteca pública de Python y la CLI
lepsiguen disponibles. - Algunas expectativas anteriores sobre la apertura de componentes más profundos de la plataforma nunca se materializaron en la forma que los observadores esperaban.
Jia luego se desempeñó como vicepresidente de software de sistemas de NVIDIA antes de dejar la empresa en 2026.
Una Breve Parada en Hyperbolic
En julio de 2026, Hyperbolic anunció que Jia se había unido a la empresa de infraestructura de GPU como asesor.
Hyperbolic describió su trayectoria en Caffe, ONNX, PyTorch, Lepton AI, NVIDIA, Google, Facebook y Alibaba Cloud como particularmente relevante para su trabajo en acceso a GPU e infraestructura.
Ese rol resultó no ser su próximo movimiento principal.
El 29 de julio, Jia presentó públicamente Intent Lab.
Su enfoque era diferente al de Lepton AI.
Lepton se centraba en brindar a los desarrolladores un acceso más fácil a la computación.
Intent Lab se centra en dar a un sistema de ingeniería autónomo la capacidad de crear y mantener el software que se ejecuta en esa computación.
Jia resumió el cambio diciendo que sus equipos habían pasado sus carreras construyendo cuidadosamente grandes sistemas uno a la vez. Lo que les interesaba ahora era un sistema capaz de producir muchos de esos sistemas.
Fleet Es el Producto Detrás de las Tres Demostraciones
Intent Lab llama a su sistema de ingeniería autónomo Fleet.
La empresa lo describe como un equipo en lugar de un único agente de codificación.
La distinción es importante.
Un agente de codificación típico puede editar archivos, ejecutar comandos, corregir pruebas, buscar en un repositorio e implementar una función.
Fleet se presenta como un sistema que puede coordinar un proceso de ingeniería más largo.
El objetivo declarado de Intent Lab es cubrir el trabajo necesario para pasar de una solicitud de alto nivel a un sistema de producción con resultados medibles.
comportamiento, verificación y un camino hacia la mejora continua.
Las tres primeras demostraciones fueron elegidas para poner a prueba esa afirmación en dominios de ingeniería muy diferentes.
Demo Uno: Optimizando GLM-5.2 Más Allá del TensorRT-LLM Estándar
El resultado de lanzamiento más técnicamente destacado es un motor de inferencia para GLM-5.2.
La instrucción inicial era esencialmente un objetivo de ingeniería:
Reingeniería de TensorRT-LLM para que GLM-5.2 se ejecute eficientemente en nodos Grace Blackwell,
identificar oportunidades de optimización, implementarlas y verificarlas de forma autónoma.
TensorRT-LLM ya es la pila de inferencia orientada a producción de NVIDIA para modelos de lenguaje grandes.
NVIDIA documenta características como el servicio multi-GPU y multi-nodo, el procesamiento por lotes en vuelo, el almacenamiento en caché de KV paginado, la cuantización, los kernels optimizados y los tiempos de ejecución en Python y C++.
Por lo tanto, mejorar el rendimiento sobre esa pila es un objetivo más exigente que optimizar una implementación de referencia no optimizada.
Intent Lab Reporta un Aumento del 6,3× en la Velocidad de Salida
Intent Lab dice que Fleet comenzó con TensorRT-LLM estándar a aproximadamente:
102 tokens/s
Un tiempo de ejecución optimizado alcanzó:
161 tokens/s
Después de añadir la ruta optimizada de decodificación especulativa de la compañía, el sistema supuestamente alcanzó:
647 tokens/s
Eso es aproximadamente 6,3× la velocidad de salida original.
Intent Lab dice que el punto de referencia utilizó dos nodos Grace Blackwell.
La compañía divide el trabajo de rendimiento en cuatro categorías.
Optimización de Kernels: +24%
Fleet supuestamente aplicó fusión de kernels y generó rutas de bajo nivel PTX/SASS para un control a nivel de instrucciones.
Optimización del Tiempo de Ejecución: +16%
Intent Lab dice que el tiempo de ejecución eliminó las copias repetidas de metadatos de host a dispositivo de la decodificación en estado estacionario mediante el procesamiento por lotes H2D y técnicas de copia cero.
Optimización de la Comunicación: +18%
Fleet supuestamente utilizó una ruta fusionada de reducción total MNNVL que incorpora la suma residual y RMSNorm en la operación colectiva.
Decodificación Especulativa: Aproximadamente 4×
La mayor ganancia individual provino de la decodificación especulativa.
Intent Lab dice que un redactor DSpark optimizado propone varios tokens y el modelo principal los verifica en lotes, aumentando significativamente el rendimiento de decodificación.
La compañía reporta el resultado completo de extremo a extremo como una mejora del 534% sobre su línea base estándar.
Estas cifras son mediciones propias de Intent Lab. La configuración del hardware, los detalles de la carga de trabajo, los ajustes del lote, la longitud de salida, la precisión, la concurrencia y las revisiones del software pueden afectar materialmente los puntos de referencia de inferencia.
El Bucle de Optimización de Fleet se Parece Más a un Equipo que a una Pasada Única
Intent Lab dice que Fleet sigue un bucle de ingeniería repetido:
- Análisis de líneas de flotación
- Identificación de cuellos de botella
- Propuesta
- Verificación
- Composición
- Regreso al siguiente cuello de botella
Si una optimización propuesta
falla la validación, el sistema retrocede y lo intenta de nuevo.
El paso "compuesto" es importante porque la ingeniería de rendimiento a menudo falla cuando optimizaciones individualmente exitosas interfieren entre sí.
Fleet está diseñado para conservar cambios solo después de verificar que el sistema combinado sigue funcionando.
Por qué GLM-5.2 es un objetivo exigente
GLM-5.2 es el modelo insignia de Z.ai para tareas de horizonte largo.
Su ficha técnica oficial destaca una ventana de contexto de un millón de tokens, cargas de trabajo de codificación y agentes de horizonte largo, esfuerzo de razonamiento flexible, una arquitectura de atención dispersa mejorada y pesos abiertos bajo la licencia MIT.
Los modelos grandes con contexto largo y cargas de trabajo de agentes crean problemas de servicio difíciles.
La implementación más rápida depende de las interacciones entre el diseño de kernels, el ancho de banda de memoria, el comportamiento de la caché KV, el ancho de banda de interconexión, el tamaño de lote, la decodificación especulativa, la cuantización, la programación del host y los colectivos de comunicación.
Eso convierte la optimización de inferencia en una prueba de estrés útil para un sistema de ingeniería autónomo.
Demo Dos: Una base de datos compatible con SQLite a partir de un único requisito
El segundo proyecto público de Fleet se aleja por completo de los kernels de GPU.
Intent Lab pidió al sistema construir un motor de base de datos SQL compatible con SQLite.
El material de lanzamiento muestra un requisito equivalente a:
Construir un motor de base de datos SQL compatible con SQLite,
en el sentido de que pueda pasar TODOS los casos de prueba de sqllogictest,
y el rendimiento debe ser comparable o mejor.
Intent Lab afirma que Fleet no partió del código fuente ni de la documentación de SQLite.
En su lugar, trató el comportamiento del sistema existente y el corpus de pruebas como el contrato de aceptación.
La empresa informa que el sistema final superó aproximadamente seis millones de pruebas de compatibilidad con SQLite.
Esa cifra proviene de Intent Lab y no ha sido reproducida de forma independiente para este artículo.
Un solo Fleet, múltiples roles de ingeniería
Intent Lab visualiza la construcción de la base de datos como varios roles que trabajan a lo largo del proyecto:
- Toma de decisiones.
- Arquitectura.
- Codificación.
- Pruebas.
- Revisión.
- QA.
Los roles no operan simplemente en una entrega lineal.
La arquitectura puede cambiar mientras avanza la implementación. Las pruebas continúan mientras se añaden funciones. La revisión y el QA permanecen activos a medida que crece el código.
El costo depende en gran medida del modelo
Intent Lab también publicó una comparación de costos.
Para la misma construcción de base de datos, la empresa afirma que una ejecución con Opus 4.8 costó aproximadamente $2,000, mientras que una ejecución con modelos de código abierto costó aproximadamente $350.
Las cifras son reportadas por la empresa y dependen de los precios de los modelos, el consumo de tokens, la orquestación de agentes y la infraestructura.
No obstante, ilustran una cuestión económica importante para la ingeniería de agentes: ¿cuál es el costo de un proyecto completo exitoso en lugar del precio de una sola llamada al modelo?
Demo Tres: Una formal
Sistema de Archivos Verificado para Agentes
La tercera demostración es un sistema de archivos distribuido llamado AgentFS.
Intent Lab afirma que fue diseñado específicamente para cargas de trabajo de agentes en entornos de nube.
Los agentes de codificación e investigación de IA tienden a crear un patrón de almacenamiento distintivo:
- Muchos sandboxes temporales.
- Grandes cantidades de archivos pequeños.
- Creación y eliminación frecuentes.
- Almacenamiento en la nube compartido.
- Alta rotación de metadatos.
- Repositorios de corta duración.
Intent Lab dice que evaluó sistemas existentes, incluidos Amazon EFS y S3FS, encontró limitaciones para esta carga de trabajo y, en su lugar, construyó un nuevo sistema de archivos.
La empresa afirma aceleraciones significativas en comparación con los sistemas evaluados en operaciones intensivas en metadatos.
[Imagen]
Nuevamente, estos son los puntos de referencia de lanzamiento de Intent Lab, no resultados independientes de terceros.
La Verificación Formal Encontró un Error que el Agente de Codificación Pasó por Alto
La parte más importante del ejemplo del sistema de archivos no es el gráfico de referencia.
Es la verificación.
Crea un sitio de presentacion y capta leads en minutos
Describe tu idea una vez y We0 AI puede generar un sitio de presentacion, paginas y CMS, y ayudarte a atraer clientes y trafico tras el lanzamiento.
Una generación completa de proyectos para registro gratuito
Lo mejor para probar un flujo de generación completo y ver rápidamente el primer borrador del proyecto.
Intent Lab dice que Fleet modeló formalmente los protocolos centrales y exploró aproximadamente 1.9 millones de estados.
Ese proceso descubrió un error en el código producido por un agente de codificación.
El error podría conducir a un estado corrupto transitorio durante el comportamiento distribuido de creación/eliminación.
Intent Lab dice que Fleet luego corrigió la implementación y volvió a ejecutar la verificación.
La empresa también informa aproximadamente 300 pruebas de integración, además de inyección de fallos y fuzzing con fallos y réplicas inyectados.
La verificación formal es valiosa aquí porque los sistemas de archivos son particularmente vulnerables a intercalaciones raras.
Las pruebas tradicionales pueden mostrar que la ruta común funciona. Un verificador de modelos puede buscar sistemáticamente combinaciones de estados que los conjuntos de pruebas ordinarios quizás nunca encuentren.
Este principio está bien establecido fuera de Intent Lab. Los investigadores de sistemas de archivos han utilizado la verificación de modelos durante décadas para exponer errores de consistencia ante fallos y de metadatos en sistemas maduros.
La afirmación novedosa aquí es que un sistema de ingeniería autónomo puede incorporar este estilo de verificación en su propio ciclo de construcción.
La Capa Faltante Entre "Código que Funciona" y Software de Producción
El argumento central de Jia es más amplio que cualquiera de las tres demostraciones.
Los modelos modernos pueden escribir código rápidamente.
Eso no significa que el resultado sea software que una empresa deba operar durante años.
Él argumenta que la brecha restante no es simplemente otro salto en la capacidad de codificación del modelo.
Es una capa de ingeniería alrededor del modelo.
[Imagen]
Un sistema de producción necesita más que una implementación.
Necesita requisitos, arquitectura, interfaces,
compensaciones, coordinación, pruebas, análisis de rendimiento, trabajo de confiabilidad, verificación, manejo de fallas, mantenimiento y retroalimentación desde producción.
Un modelo de codificación puede participar en todas esas actividades.
La tesis de Fleet es que deben organizarse en un solo sistema autónomo.
Fleet Divide la Ingeniería en Seis Etapas
Intent Lab describe su proceso de ingeniería en seis etapas.
- Comprender
Se supone que Fleet convierte la intención vaga en un resultado concreto, restricciones, criterios de aceptación y definiciones medibles de éxito.
- Diseñar
Fleet evalúa compensaciones y define interfaces, componentes y la estructura del sistema a largo plazo.
- Coordinar
El sistema divide un proyecto grande en tareas, gestiona dependencias y mantiene la implementación alineada con el diseño general.
- Construir
La implementación y la arquitectura evolucionan juntas a medida que aparece nueva información durante el desarrollo.
- Verificar
La verificación puede incluir pruebas unitarias, pruebas de integración, puntos de referencia, demostraciones formales, verificación de modelos, inyección de fallas, fuzzing y validación en tiempo de ejecución.
- Evolucionar
Se pretende que Fleet observe el rendimiento en producción y retroalimente el diseño con información sobre uso, confiabilidad y costos.
Este es el punto donde la ambición de Intent Lab va más allá de un agente autónomo de codificación.
El objetivo no es solo la generación de software.
Es la propiedad autónoma del software.
"Un Equipo de Ingeniería con Principios" Es la Metáfora del Producto
Intent Lab describe a Fleet como operando como un equipo de ingeniería con principios.
Esa es una metáfora útil porque ningún miembro de una organización de ingeniería sólida es responsable de todos los aspectos.
Un ingeniero puede optimizar núcleos. Otro puede diseñar un protocolo de almacenamiento. Otro mantiene los puntos de referencia. Otra persona revisa la confiabilidad.
Fleet intenta convertir esas responsabilidades en roles de agentes coordinados.
La pregunta difícil, por lo tanto, no es solo si un LLM puede escribir código de alta calidad.
Es si múltiples procesos autónomos pueden mantener una arquitectura de sistema coherente mientras construyen, prueban, optimizan, verifican y revisan el mismo proyecto a largo plazo.
El Argumento Económico: El Software Puede Volverse Más Personalizado
Jia también presenta un argumento económico.
Durante décadas, el desarrollo de software tuvo un gran costo fijo.
La estrategia racional era construir un producto, venderlo a muchos usuarios y pedir a los usuarios con diferentes necesidades que se adaptaran al mismo software.
Si la ingeniería autónoma reduce el costo fijo de construir y mantener un sistema, esa ecuación cambia.
Una empresa podría justificar software para un grupo más pequeño de usuarios.
Un equipo interno podría construir un sistema para un flujo de trabajo que antes permanecería en una lista de pendientes durante años.
Un grupo de infraestructura podría crear un motor especializado en lugar de aceptar las limitaciones de un producto genérico.
Intent Lab afirma que planea trabajar con organizaciones externas en este tipo de proyectos: sistemas con un valor de ingeniería sustancial que las empresas han pospuesto porque el trabajo requerido es demasiado grande.
Esto No Es Lo Mismo Que "Un Prompt Construye Cualquier Aplicación"
Las demostraciones de lanzamiento pueden reducirse fácilmente a un titular viral:
Una frase creó una base de datos.
Ese encuadre omite la mayor parte del trabajo que Fleet afirma realizar.
El ejemplo de la base de datos comienza con un requisito, pero el sistema luego lleva a cabo un largo proceso de ingeniería.
Debe tomar decisiones de diseño repetidamente, generar código, ejecutar pruebas, diagnosticar fallos, revisar la arquitectura, revisar el comportamiento y repetir.
El usuario proporciona una intención breve.
La máquina no necesariamente realiza una tarea breve.
Una mejor evaluación pregunta cuánta intervención humana se requirió, cuánto cómputo consumió la ejecución, cuántos reintentos ocurrieron, qué tan bien se verificó el resultado, si otro equipo puede reproducirlo y si el sistema puede mantenerse después de la demostración.
Lo Que Sigue Sin Demostrarse
Los primeros resultados de Intent Lab son ambiciosos, pero el material público deja preguntas importantes abiertas.
Reproducción Independiente
El resultado de inferencia 6,3×, el recuento de pruebas de SQLite, el rendimiento de AgentFS y las cifras de verificación formal son informados por la empresa.
La reproducción independiente haría que las afirmaciones fueran sustancialmente más sólidas.
Arquitectura de Fleet
Intent Lab no ha documentado públicamente suficientes detalles para reconstruir Fleet en sí.
Aún no está claro qué modelos base se utilizan para cada rol, cómo los agentes comparten estado, cómo se programan las tareas, cómo se resuelven los conflictos, cómo se almacenan las especificaciones o cuánta supervisión humana sigue disponible.
Responsabilidad de Producción
Construir un sistema de calidad de referencia no es lo mismo que operarlo durante años.
La etapa de "Evolución" puede ser la parte más difícil de la tesis porque un responsable de producción debe manejar parches de seguridad, cambios de dependencias, cambios de hardware, incidentes, cambios de costos, solicitudes de funciones y compatibilidad hacia atrás.
Economía
La ingeniería autónoma puede ser más barata que un equipo humano para algunas tareas, pero aun así consume una cantidad sustancial de inferencia y cómputo.
El propio ejemplo de base de datos de Intent Lab muestra que la elección del modelo puede cambiar el costo total del proyecto varias veces.
Una Forma Más Precisa de Pensar en Intent Lab
Intent Lab no es simplemente otra startup de agentes de código.
Su tesis está más cerca de la ingeniería de sistemas autónomos.
La unidad de trabajo objetivo no es una finalización de código ni una solicitud de extracción.
Es un sistema de producción.
Por eso los primeros tres ejemplos parecen no estar relacionados.
Un motor de inferencia, una base de datos y un sistema de archivos comparten poco a nivel de producto.
Comparten un patrón de ingeniería:
Intención
→ especificación
→ arquitectura
→
implementación coordinada
→ medición
→ verificación
→ iteración
→ evolución en producción
Se pretende que Fleet automatice ese patrón.
Si puede hacerlo de manera fiable en muchas empresas reales sigue siendo una pregunta abierta.
Pero la ambición es clara.
Preguntas frecuentes
¿Qué es Intent Lab?
Intent Lab es una nueva empresa de infraestructura de IA e ingeniería autónoma cofundada por Yangqing Jia y otros ingenieros de sistemas experimentados. Su primer producto, Fleet, está diseñado para convertir la intención de software de alto nivel en sistemas de grado de producción.
¿Qué es Fleet?
Fleet es el sistema de ingeniería autónoma de Intent Lab. La empresa lo describe como un equipo de agentes coordinados que pueden comprender requisitos, diseñar arquitectura, construir código, verificar resultados y continuar evolucionando el software después del despliegue.
¿Fleet realmente hizo la inferencia de GLM-5.2 6,3 veces más rápida?
Intent Lab informa que su motor optimizado GLM-5.2 aumentó la velocidad de salida de 102 tokens/s en TensorRT-LLM estándar a 647 tokens/s en dos nodos Grace Blackwell. La cifra es un punto de referencia informado por la empresa y aún no se ha reproducido de forma independiente en las fuentes revisadas aquí.
¿Fleet construyó una base de datos a partir de un solo prompt?
Intent Lab dice que el requisito inicial de la base de datos fue un solo prompt que solicitaba un motor SQL compatible con SQLite. Fleet luego realizó de forma autónoma arquitectura, codificación, pruebas, revisión y control de calidad hasta que la empresa dice que el sistema superó aproximadamente seis millones de pruebas de compatibilidad.
¿Qué es AgentFS?
AgentFS es un sistema de archivos distribuido creado en la tercera demostración de lanzamiento de Intent Lab. Está optimizado para cargas de trabajo de agentes de IA que involucran muchos sandboxes y archivos pequeños, e Intent Lab dice que sus protocolos centrales fueron verificados con verificación formal de modelos.
¿Cuál es la diferencia entre Fleet y un agente de codificación normal?
Un agente de codificación normal generalmente trabaja en cambios de código dentro de un proyecto existente. Fleet está destinado a coordinar un ciclo de vida completo de ingeniería de sistemas, incluida la definición de requisitos, arquitectura, implementación, trabajo de rendimiento, verificación formal, pruebas de fallos y evolución en producción.
¿Es Fleet de código abierto?
Intent Lab ha compartido públicamente demostraciones y su tesis de producto, pero las fuentes revisadas para este artículo no muestran una publicación pública del sistema de orquestación completo de Fleet. Consulte el sitio oficial de Intent Lab para conocer la disponibilidad más reciente.
¿NVIDIA DGX Cloud Lepton sigue en funcionamiento?
Sí. NVIDIA mantiene actualmente páginas de producto y documentación para DGX Cloud Lepton, incluidas cargas de trabajo, grupos de nodos, endpoints, Dev Pods, trabajos por lotes y funcionalidad de traer su propia computación. Esto es independiente del debate sobre cuán fielmente el producto de NVIDIA preservó la hoja de ruta original de la startup de Lepton AI.
Herramientas relacionadas
- Intent Lab: La empresa que construye Fleet, un sistema de ingeniería autónoma para convertir la intención en software de producción.
- NVIDIA TensorRT-LLM: El framework de inferencia de producción de NVIDIA para optimizar y servir modelos de lenguaje grandes en GPUs de NVIDIA.
- TensorRT-LLM en GitHub: El repositorio de código abierto para la pila de inferencia de LLM de NVIDIA.
GLM-5.2: el modelo de horizonte largo de peso abierto de Z.ai utilizado en la demostración del motor de inferencia de Intent Lab.
- NVIDIA DGX Cloud Lepton: la plataforma de NVIDIA para construir e implementar cargas de trabajo de IA a través de una red de proveedores de cómputo GPU.
- SQLite: la base de datos cuyo comportamiento y pruebas de compatibilidad se utilizaron como objetivo para la demostración de base de datos de Fleet.
Enlaces relacionados
- Intent Lab: Convierte tu intención en sistemas de producción: el artículo de lanzamiento oficial de Intent Lab y la fuente de las demostraciones de Fleet.
- Anuncio de Intent Lab de Yangqing Jia: la publicación pública de Jia presentando Intent Lab y su tesis de ingeniería autónoma.
- Documentación de NVIDIA DGX Cloud Lepton: documentación oficial actual de la plataforma que surgió de la tecnología de Lepton AI.
- Lanzamiento de NVIDIA DGX Cloud Lepton: el anuncio de NVIDIA de 2025 que describe DGX Cloud Lepton y su mercado global de GPU.
- Tarjeta oficial del modelo GLM-5.2: especificaciones oficiales y documentación del modelo de Z.ai.
- Documentación de NVIDIA TensorRT-LLM: documentación oficial de arquitectura, instalación, optimización, tiempo de ejecución e implementación.
- USENIX: Uso de verificación de modelos para encontrar errores graves en sistemas de archivos: un ejemplo clásico de por qué la verificación formal de modelos es útil para encontrar fallas raras de corrección en sistemas de archivos.
Resumen
La nueva empresa de Yangqing Jia, Intent Lab, está construyendo Fleet en torno a una unidad diferente de trabajo de IA: no la generación de código, sino el ciclo de vida completo del sistema de producción.
Sus primeras demostraciones abarcan la optimización de inferencia de GLM-5.2, una base de datos compatible con SQLite y un sistema de archivos distribuido formalmente verificado. Intent Lab reporta una aceleración de inferencia de 6,3×, aproximadamente seis millones de pruebas de compatibilidad de bases de datos y verificación de modelos en alrededor de 1,9 millones de estados de sistemas de archivos.
La idea común es un ciclo de ingeniería de seis etapas—Comprender, Diseñar, Coordinar, Construir, Verificar y Evolucionar—que intenta reproducir las responsabilidades de una organización de ingeniería sólida con agentes autónomos.
Los resultados son aún preliminares y en gran parte autoinformados, por lo que la reproducibilidad y la operación de producción a largo plazo siguen siendo las pruebas reales.
La afirmación más importante de Fleet no es que la IA pueda escribir código a partir de una sola frase; es que un sistema autónomo puede asumir la responsabilidad del trabajo de ingeniería entre una frase y un software que merezca ejecutarse durante años.
