Blobfish AI
Blobfish AI · Outros
A Blobfish AI cria mundos corporativos simulados onde agentes de IA praticam fluxos reais, com ferramentas fictícias, dificuldade ajustável e checagens determinísticas.
Sobre Blobfish AI
About
O que é o Blobfish AI
A Blobfish AI vende algo incomum: lugares para agentes de IA treinarem. Cada um é um pequeno mundo de escritório, com planilhas, registros e sistemas de empresa simulados que o agente pode abrir, alterar e quebrar. Os fluxos de trabalho corporativos simulados se comportam como uma terça-feira comum no escritório. A proposta não é uma janela de chat mais simpática. É um espaço seguro onde um modelo tenta um trabalho de verdade e recebe uma resposta exata sobre o resultado.
O incômodo que a empresa ataca é específico. Num projeto de pós-treinamento, especialistas descrevem o trabalho, engenheiros reconstroem as ferramentas e pesquisadores procuram as poucas tarefas que ficam perto da capacidade atual do modelo. Essa procura leva de três a seis meses. Depois o modelo aprende, as tarefas viram triviais e o ciclo recomeça. Num projeto, de trinta fluxos mapeados só seis ficaram próximos do limite de capacidade. A saída proposta é gerar esses ambientes de treinamento para agentes sem parar, para que cada rodada tenha uma lista nova.
Os limites contam tanto quanto os recursos. É um serviço para quem treina o próprio modelo, não um app de autoatendimento. Não existe tabela de preços, cadastro nem teste aberto: a conversa é com o fundador. Os mundos são versões simuladas de software corporativo, então detalhes que dependem da API de um fornecedor específico não aparecem. O número de destaque divulgado pela empresa é ainda um resultado interno inicial, não uma replicação independente.
Como começar
- Fale com o time com três informações em mãos: qual modelo você treina, quais fluxos interessam e como roda o seu ciclo de aprendizado por reforço.
- Defina os setores. A Blobfish escolhe ou constrói mundos que combinam com a sua vertical, como pagamentos, jurídico, atendimento ou finanças.
- Receba os ambientes. Cada um chega com dados fictícios, servidores MCP simulados, uma interface de linha de comando para o agente e um conjunto de tarefas.
- Rode seus rollouts contra as tarefas. Toda tentativa termina com um relatório do verificador determinístico, não com a opinião de um modelo.
- Peça uma geração nova quando as tarefas deixarem de ser difíceis e guarde o conjunto antigo como suíte de regressão.
Informações do produto
Uma visão rápida dos preços, das plataformas compatíveis e do desempenho de Blobfish AI.
Ideal para
Os usuários, tarefas e cenários em que esta ferramenta se encaixa melhor.
Usuários
- Engenheiros de pós-treinamento e aprendizado por reforço
- Grupos de pesquisa aplicada em empresas grandes
- Times de produto que vendem agentes para empresas
Tarefas
- Gerar tarefas de aprendizado por reforço numa dificuldade escolhida
- Testar uso de ferramentas em várias etapas
- Montar uma suíte de regressão de comportamento
- Entrar num setor novo sem contratar especialistas
Cenários
- Uma rodada de treino em que o conjunto anterior ficou fácil
- Checagens antes do lançamento de um agente que mexe com dinheiro ou dados de clientes
- Um domínio para o qual você nunca criou ferramentas, como sinistros ou conciliação de notas fiscais
Principais recursos
Dados simulados com coerência
Cada ambiente traz registros, arquivos e estados conectados que se comportam como os de um escritório. Um balanço aponta para os lançamentos que o sustentam, e editar um valor muda o que o verificador espera. É esse encadeamento que transforma uma simulação de agentes de IA em material de treino, e não num questionário com cenário falso.
Servidores MCP simulados e uma CLI única
As ferramentas chegam como servidores MCP simulados de CRM, ERP e planilhas, todos acessíveis por uma só interface de linha de comando. O agente chama ferramentas do mesmo jeito em todos os mundos, então seu harness não precisa de um adaptador por domínio. Permissões e relações fazem parte da montagem, o que deixa o agente falhar por falta de acesso e não apenas por escolher a linha errada.
Tarefas com dificuldade ajustável
As tarefas se apoiam em fluxos reais e vêm graduadas por dificuldade, com resultados conhecidos anexados. Você pede tarefas perto do limite atual do modelo em vez de adivinhar quais vão ensinar algo. Sobra menos tempo perdido filtrando execuções em que o modelo sempre acertava ou sempre errava.
Verificadores determinísticos
Cada execução termina com uma checagem por regras do estado do mundo, não com um modelo de linguagem dando nota ao transcript. O veredito sai reproduzível: a mesma ação produz o mesmo resultado. Para quem já sofreu com juízes barulhentos, isso muda quanto de um lote vale a pena ler.
Grafos de fluxo e tarefas escritas de trás para frente
A empresa primeiro prova que um fluxo de ferramentas funciona e só depois escreve o pedido que leva até ele. Monta o mundo, mapeia interações válidas entre ferramentas, sorteia um caminho com estado final conhecido e então redige uma tarefa que um funcionário delegaria. Pedidos estranhos ficam marcados para revisão sem travar a versão executável.
Geração contínua em escala
A promessa é volume com um alvo que se move. Num experimento inicial, o time gerou 2 mil ambientes de um domínio específico e treinou com eles um modelo de 14 bilhões de parâmetros, que depois superou um DeepSeek bem maior num benchmark de MCP. Leia como resultado da empresa: a avaliação independente ainda estava em andamento quando esta ficha foi escrita.
Prós e contras
Prós
- Verificadores determinísticos cortam o ruído do modelo como juiz, então uma execução que falha diz algo específico.
- O fornecimento de tarefas é o produto, e isso ataca o gargalo real do pós-treinamento em vez da etapa de montagem que já estava resolvida.
- Ferramentas corporativas simuladas com permissões deixam testar falhas como acesso ausente ou registro desatualizado, não só resposta errada.
- Uma CLI só para CRM, ERP e planilhas mantém o harness estável quando você adiciona um domínio.
- Ambientes antigos viram suíte de regressão, então um checkpoint novo encara os mesmos mundos que o anterior.
Contras
- Sem preço publicado e sem teste de autoatendimento, não dá para comparar custo ou encaixe sem uma call.
- Sistemas simulados só se parecem com o software corporativo real, e as manias da API de um fornecedor específico não aparecem até você testar contra o sistema de verdade.
- Os números do benchmark são divulgados pela empresa; não há entrada em ranking independente para conferir.
- É infraestrutura, não um produto em que você entra e usa. Sem o seu próprio ciclo de treino, não há o que rodar.
Perguntas frequentes
Fornece ambientes de trabalho simulados para treinamento de agentes de IA. Os times usam para gerar tarefas verificáveis de aprendizado por reforço, testar uso de ferramentas em várias etapas e conferir se o agente alterou um sistema corretamente.
Conteúdo relacionado
Explore ferramentas, skills e artigos relacionados a Blobfish AI.
Alternativas a Blobfish AI
Odyssey 3
Odyssey · OutrosOdyssey-3 é o modelo de mundo fundacional da Odyssey. Simula física em tempo real, transforma um texto em ambiente interativo e se adapta a robôs, carros e jogos.
JarvisCore
Prescott Data · Programação · Produtividade · OutrosJarvisCore é um runtime de código aberto em Python em que agentes de IA atuam como pares numa malha, assumem tarefas de um registro compartilhado e chegam a serviços externos por um broker sem confiança.
Clef
Cloudflare · Negócios · OutrosClef é o modelo de decisão open source da Cloudflare para o Workers AI. Devolve probabilidades calibradas para perguntas tipadas em vez de texto, então o agente classifica, roteia e age rápido.