Blobfish AI

Blobfish AI adressiert einen konkreten Engpass im Post-Training von Agenten: Den ersten Aufgabensatz zu bauen ist machbar, den nächsten nach einer Modellverbesserung neu zu bauen nicht. Sobald ein Modell einen Lehrplan bewältigt, lehren diese Aufgaben nichts mehr, und neue über Experteninterviews und handgebaute Sandboxes zu beschaffen, kann Monate dauern. Blobfish ersetzt diesen manuellen Reset durch eine kontinuierliche Generierungsschleife.

Jede Umgebung ist eine funktionierende Welt, kein statischer Datensatz. Sie enthält verbundene Datensätze, Dateien und Zustände, die sich wie ein echter Arbeitsplatz verhalten; simulierte MCP-Server mit einheitlicher Agent-CLI für CRMs, ERPs und Tabellen; fundierte Workflows mit einstellbarer Schwierigkeit und bekannten Ergebnissen; sowie deterministische Verifizierer, die prüfen, ob der Agent die Welt korrekt verändert hat. Da der erwartete Endzustand vor der Aufgabe selbst generiert wird, hängt die Verifikation nicht von einem KI-Richter ab.

Die Generierungsmethode lautet „vorwärts generieren, rückwärts verfassen“: die simulierte Welt bauen, einen Graphen gültiger Tool-Interaktionen aufspannen, einen gangbaren Pfad von Tool-Aufrufen mit bekanntem Endzustand ziehen und daraus die Nutzeranfrage zurückschreiben, die diesen Pfad natürlich erfordern würde. Das Unternehmen berichtet von frühen Experimenten mit 2.000 domänenspezifischen Umgebungen zum Training eines Modells mit 14 Milliarden Parametern, das in MCP-Benchmarks ein deutlich größeres DeepSeek-Modell übertraf. Zielgruppe sind Post-Training- und Forschungsteams statt Endnutzer, weshalb der Einstieg über ein Gespräch und nicht über Self-Service-Registrierung läuft.