Vals AI Mengumpulkan Dana Seri A Sebesar $40M yang Dipimpin oleh a16z untuk Membangun Benchmark Model AI Independen
2026/08/22 12:06:00
Putaran Pendanaan Menandakan Meningkatnya Permintaan untuk Tolok Ukur Kinerja AI Dunia Nyata
Pada pertengahan Agustus 2026, Vals AI mengumumkan putaran Seri A senilai $40 juta dengan valuasi $400 juta, dipimpin oleh Andreessen Horowitz dengan partisipasi dari investor yang sudah ada yaitu 8VC, Pear VC, dan Bloomberg Beta, ditambah investor baru HRT Ventures dan Next Ladder Ventures. Perusahaan berbasis San Francisco ini memposisikan dirinya sebagai evaluator independen untuk model AI mutakhir, membangun tolok ukur yang menilai kinerja pada pekerjaan profesional yang bermakna secara ekonomi alih-alih tes bergaya akademis yang telah jenuh. Hasilnya sudah muncul di model card dari OpenAI, Anthropic, Google, Meta, dan xAI. Pendapatan tumbuh delapan kali lipat dibandingkan seluruh tahun 2025, basis pelanggan berlipat ganda, dan tim bertambah tiga kali lipat dalam enam bulan.
Seiring dengan pendanaan tersebut, Vals merilis Vals Smith untuk benchmark pemrograman khusus yang diambil dari repositori GitHub mana pun, RSI Index yang dikembangkan bersama CoreWeave untuk mengukur kemampuan peningkatan mandiri rekursif, ReverseEngBench yang dibuat bersama peneliti dari Columbia, Tufts, UC Berkeley, dan UCLA, serta Vals Index 2.0 yang diperluas yang memberi bobot kinerja berdasarkan kontribusi sektor terhadap PDB AS. Langkah-langkah ini muncul saat perusahaan menghadapi tekanan semakin besar untuk mengadopsi AI sambil kekurangan cara andal untuk mengukur pengembalian investasi, dan saat pemerintah mencari ukuran independen terhadap kemampuan mutakhir dan risiko siber. Tesis utamanya adalah bahwa benchmark tugas profesional yang independen dan diperbarui secara terus-menerus telah menjadi infrastruktur penting bagi ekonomi AI, menutup kesenjangan yang semakin lebar antara skor papan peringkat yang dilaporkan vendor dan kemampuan aktual untuk menyelesaikan pekerjaan multi-langkah di bidang keuangan, hukum, teknik perangkat lunak, dan domain risiko berisiko tinggi.
Mengapa Papan Peringkat AI Tradisional Kehilangan Daya Prediktif untuk Keputusan Perusahaan
Ukuran akademik publik pernah menyediakan bahasa bersama untuk melacak kemajuan model, tetapi analisis Februari 2026 oleh peneliti dari ETH Zurich dan Stanford yang memeriksa 60 evaluasi model bahasa besar yang banyak digunakan menemukan bahwa 29 di antaranya telah jenuh, dengan celah kinerja antara model teratas dan kedua jatuh di dalam noise pengukuran. Kontaminasi terjadi ketika data uji masuk ke dalam korpus pelatihan, terkadang melalui Common Crawl, sementara laboratorium juga mengoptimalkan secara langsung terhadap target yang diketahui. Hasilnya adalah bahwa skor tinggi pada MMLU, HumanEval, atau rangkaian serupa tidak lagi dapat dipercaya untuk memprediksi keberhasilan pada alur kerja profesional yang rumit dan multi-langkah. Vals menangani ini dengan menjaga kumpulan tes utama tetap pribadi, bermitra dengan para ahli bidang untuk menentukan tugas yang representatif, dan menghentikan ukuran patokan setelah mereka berhenti membedakan model.
Pada Mei 2026, perusahaan mengganti evaluasi CorpFin sebelumnya dengan Excel Modelling Benchmark yang lebih sulit tepat karena diferensiasi telah runtuh. Pendekatan adaptif ini memperlakukan evaluasi itu sendiri sebagai infrastruktur berkelanjutan, bukan ujian statis, memberikan sinyal yang lebih jelas kepada perusahaan saat memilih model untuk peluncuran produksi. Dokumentasi resmi mengenai metodologi perusahaan dan pengumuman investasi a16z sama-sama menekankan bahwa kumpulan pribadi yang dikurasi oleh ahli dengan penggantian berkelanjutan lebih efektif menahan jalur saturasi dibandingkan ujian statis sepenuhnya publik atau sepenuhnya pribadi.
Bagaimana Vals Membangun Patokan Berdasarkan Alur Kerja Profesional Nyata
Vals bermitra dengan pengacara praktik, analis keuangan, insinyur perangkat lunak, dan klinisi untuk memetakan taksonomi tugas yang mendefinisikan pekerjaan kompeten di setiap bidang, lalu mengembangkan sistem penilaian otomatis yang menilai produk kerja yang dihasilkan berdasarkan standar ahli, bukan kebenaran pilihan ganda atau pencocokan string tepat. Tugas typikal Finance Agent v2 memerlukan agen untuk mengambil data pendukung dari dokumen, mensintesis model nilai relatif di antara perusahaan sejenis, mengidentifikasi katalis sektor, dan menghasilkan rekomendasi investasi yang berdasarkan fakta tanpa mengarang angka atau kehilangan konteks di sepanjang langkah-langkahnya. Pada Mei 2026, model dengan skor tertinggi hanya mencapai akurasi 52 persen pada rangkaian ini, menunjukkan bahwa bahkan sistem terdepan masih gagal sekitar setengah dari tugas yang diharapkan ditangani oleh seorang analis profesional.
Filsafat yang sama berlaku untuk penelitian hukum, migrasi kode, teknik berbasis terminal, dan pengkodean medis. Karena penilaian diotomatisasi namun disesuaikan dengan penilaian ahli, evaluasi dapat dihasilkan dalam hitungan jam setelah akses model diterima, sejalan dengan kecepatan pelepasan terkini yang mingguan. Perusahaan telah melepaskan sebagian infrastruktur evaluasinya secara terbuka untuk mendukung reproduktibilitas sekaligus melindungi integritas kumpulan uji pribadi yang menghasilkan skor utama. Kombinasi kemitraan domain, penilaian otomatis tingkat ahli, dan waktu respons cepat membedakan platform ini dari daftar pemimpin akademik dan arena semata-mata berbasis preferensi.
Alasan a16z untuk Memimpin Putaran pada Valuasi $400 Juta
Andreessen Horowitz menggambarkan investasi ini seputar masalah ketidakseimbangan informasi klasik yang dijelaskan oleh ekonom George Akerlof: ketika penjual mengetahui lebih banyak tentang kualitas produk daripada pembeli dan memiliki insentif untuk menyajikan data yang menguntungkan, pasar cenderung menurun ke hasil berkualitas lebih rendah. Jennifer Li dan rekan-rekannya di a16z membandingkan kebutuhan akan penilai AI independen dengan munculnya Moody’s secara historis di pasar kredit dan auditor independen dalam pelaporan perusahaan publik. Model pendapatan Vals, yang mengenakan biaya untuk layanan evaluasi daripada bersertifikasi klaim laboratorium tertentu, bertujuan untuk mempertahankan kemandirian struktural.
Perusahaan tersebut menyoroti kedalaman teknis para pendiri dan skeptisisme jangka panjang mereka terhadap validitas tolok ukur, mencatat bahwa Rayan Krishnan dan Langston Nashold telah bekerja sama dalam memecahkan masalah pengukuran dunia nyata saat belajar ilmu komputer di Stanford. Valuasi putaran ini dan partisipasi HRT Ventures yang terkait dengan perdagangan kuantitatif semakin menandakan bahwa modal canggih memandang pengukuran yang andal sebagai infrastruktur kritis, bukan alat penelitian sekunder. Komentar resmi a16z menekankan bahwa model sedang berubah dari menjawab pertanyaan menjadi menjalankan alur kerja agen multi-jam, sehingga meningkatkan biaya pilihan model yang buruk dari pengeluaran token menjadi kehilangan waktu dan hasil pelanggan.
Latar Belakang Pendiri dan Asal-Usul Teori Evaluasi Independen
Rayan Krishnan, yang menjabat sebagai CEO perusahaan, memiliki latar belakang yang mencolok, termasuk pengalaman sebelumnya di Palantir, sebuah perusahaan analitik data terkenal. Rekan pendirinya, Langston Nashold, memegang posisi CTO dan membawa keahlian luas dari pengalaman kerjanya di perusahaan teknologi besar seperti Meta, NVIDIA, dan Hudson River Trading. Kedua pendiri ini pertama kali bertemu selama perjalanan backpacking pra-orientasi di Universitas Stanford, di mana mereka cepat membentuk ikatan. Mereka kemudian bekerja sama dalam berbagai tugas kuliah ilmu komputer, yang membawa mereka pada kesadaran penting: model bahasa besar memiliki potensi untuk merevolusi cara pekerjaan dilakukan. Namun, mereka juga menyadari bahwa industri ini masih kekurangan metode yang kredibel dan efektif untuk menguji model-model tersebut. Didorong oleh wawasan mereka, mereka membuat keputusan berani untuk meninggalkan program pascasarjana masing-masing demi mendirikan Vals. Fokus awal usaha baru mereka adalah pada tugas keuangan dan pemrograman, yang mereka identifikasi sebagai representasi signifikan dari aktivitas ekonomi di Amerika Serikat.
Saat mereka mulai mendapatkan perhatian di pasar, mereka menerima kutipan signifikan dalam kartu model utama dan memperoleh dukungan untuk inisiatif mereka dari Departemen Perdagangan, serta keterlibatan dalam upaya kongres terkait kebijakan AI. Para pendiri menekankan pentingnya terus mengganti benchmark yang sudah usang dan menggunakan set uji pribadi. Pendekatan ini merupakan hasil langsung dari pengamatan mereka mengenai seberapa cepat model dapat mencapai puncak benchmark statis dan bagaimana data pelatihan dapat memengaruhi evaluasi publik. Pengalaman gabungan mereka dalam sistem produksi dan lingkungan kuantitatif secara signifikan membentuk desain tumpukan evaluasi, serta produk komersial yang kini digunakan perusahaan untuk memilih dan memantau model selaras dengan perkembangan teknologi terkini.
Benchmark Agen Keuangan Mengungkapkan Kesenjangan Berkelanjutan antara Skor Papan Peringkat dan Pekerjaan Tingkat Analis
Meskipun model mencapai hasil hampir sempurna pada suite akademik lama, suite Finance Agent v2 terus mengungkap kekurangan material signifikan yang tidak bisa diabaikan. Tugas-tugas yang terlibat dalam suite ini mencakup sintesis multi-dokumen, pemodelan nilai relatif, dan generasi rekomendasi, yang semuanya sangat mencerminkan output harian yang dihasilkan oleh analis keuangan profesional di industri ini. Batas 52 persen yang dicatat pada Mei 2026 untuk sistem terdepan menjadi pengingat tegas bahwa skor pengetahuan umum yang tinggi tidak secara otomatis setara dengan kemampuan analisis keuangan yang andal dan otonom.
Vals secara strategis memberi bobot pada Vals Index kompositnya dengan mempertimbangkan kontribusi perkiraan sektor terhadap PDB AS, yang memberikan efek multiplier signifikan pada sektor keuangan, memastikan bahwa dampak ekonomi tercermin secara akurat dalam peringkat agregat berbagai model. Perusahaan yang telah berhasil menerapkan model yang dipilih sebagian melalui evaluasi Vals melaporkan menggunakan platform ini tidak hanya untuk proses pemilihan awal, tetapi juga untuk pengukuran berkelanjutan terhadap kinerja produk dibandingkan dengan baseline frontier yang telah ditetapkan. Selain itu, kesenjangan kinerja yang ada juga memainkan peran penting dalam membantu pengambilan keputusan alokasi modal di lembaga keuangan. Lembaga-lembaga ini harus mempertanggungjawabkan pengeluaran AI mereka dengan peningkatan produktivitas yang dapat diukur, bukan hanya mengandalkan demonstrasi kualitatif yang sering kali subjektif dan kurang andal. Proses evaluasi berkelanjutan ini sangat penting untuk memastikan bahwa investasi dalam teknologi AI menghasilkan manfaat nyata dan peningkatan efisiensi operasional.
Vals Smith Membuka Benchmark Pemrograman Khusus yang Ditarik Langsung dari Repositori Perusahaan
Dengan pengumuman Seri A, Vals membuat Smith tersedia secara umum, memungkinkan setiap organisasi untuk membuat benchmark pemrograman khusus dari repositori GitHub mereka sendiri. Sistem ini mengekstrak tugas pengembangan nyata dari pull request historis dan menerapkan tes tersembunyi untuk menentukan apakah model dapat menyelesaikan pekerjaan tersebut. Pengguna menerima 120 kredit gratis untuk memulai. Bagi perusahaan yang kodebase-nya berisi pola, perpustakaan, dan konvensi arsitektur milik sendiri, perbedaan antara keahlian umum Python atau Java dan kemampuan untuk beroperasi di dalam lingkungan spesifik tersebut sangat menentukan.
Smith karena itu mengonversi pertanyaan abstrak tentang kemampuan pemrograman menjadi pengukuran konkret yang spesifik untuk organisasi. Pengadopsi perusahaan awal sekarang dapat meranking model berdasarkan kinerja pada beban kerja teknik mereka yang sebenarnya, bukan pada rangkaian publik yang mungkin sebagian telah dihafal atau dioptimalkan. Rilis ini memperluas jangkauan Vals melampaui benchmark domain yang sudah disiapkan ke infrastruktur evaluasi yang disesuaikan yang dapat diskalakan sesuai kebutuhan pelanggan.
Indeks RSI dan ReverseEngBench Memperluas Cakupan ke Domain Risiko Frontier
Sejalan dengan pendanaan terbaru, Vals dengan bangga meluncurkan RSI Index, yang dikembangkan bersama CoreWeave. Indeks inovatif ini bertujuan untuk menilai apakah berbagai model mampu menjalankan tugas penelitian yang penting untuk memajukan pengembangan model, teknik kompresi, metodologi pelatihan, strategi optimasi parameter, praktik rekayasa harness, dan evaluasi pasca-pelatihan. Selain itu, perusahaan telah memperkenalkan ReverseEngBench, sebuah proyek yang dikembangkan secara cermat bersama institusi akademik terkemuka, termasuk Universitas Columbia, Universitas Tufts, UC Berkeley, dan UCLA. Benchmark komprehensif ini terdiri dari 19 program propietari, yang secara kolektif rata-rata lebih dari 16.000 baris kode.
Program-program ini mencakup berbagai bidang yang beragam, termasuk protokol jaringan, firmware, aplikasi gaming, proses pemulihan format file, dan analisis malware, semuanya dilindungi oleh suite anti-analisis yang luas yang dirancang untuk meningkatkan keamanan. Hasil awal menunjukkan perbedaan signifikan di antara model-model terdepan, mengungkapkan potensi yang masih besar sebelum agen dapat secara konsisten melakukan reverse-engineering terhadap biner realistis. Selain upaya-upaya ini, pekerjaan tahap awal juga telah dimulai di bidang aplikasi kesehatan mental, dengan rencana perluasan lebih lanjut ke bidang-bidang kritis seperti penilaian dampak lingkungan, aplikasi militer, dan domain biosekuriti. Evaluasi-evaluasi ini, yang berorientasi pada risiko, membahas kemampuan-kemampuan yang sangat penting baik untuk meningkatkan postur keamanan perusahaan maupun penilaian pemerintah terhadap sistem mutakhir.
Vals Index 2.0 Meng agregasikan Kinerja yang Dibobotkan Berdasarkan Kontribusi Ekonomi
Situs web yang didesain ulang dan Vals Index 2.0 sekarang menawarkan cakupan yang jauh lebih luas di berbagai bidang, termasuk keuangan, pemrograman, dan tugas hukum. Bobot sektor yang digunakan dalam Indeks berasal dari data nilai tambah yang disediakan oleh Biro Analisis Ekonomi. Rumus komposit yang digunakan menghitung rata-rata metrik kinerja dalam setiap sektor, lalu menggabungkan skor sektor tersebut berdasarkan persentase perkiraan terhadap PDB. Pada pertengahan Agustus 2026, Claude Opus 5 berada di puncak Indeks, diikuti erat oleh Claude Fable 5 dan GPT-5.6 Sol.
Indeks diperbarui secara sering untuk mencerminkan rilis model terbaru dan berfungsi sebagai metrik utama yang menunjukkan potensi dampak ekonomi, sambil tetap memungkinkan pengguna untuk menelusuri lebih dalam ke daftar teratas domain individu untuk wawasan yang lebih rinci. Karena fakta bahwa tolok ukur dasar tetap sebagian besar bersifat pribadi dan diperbarui secara berkala, Indeks mampu mempertahankan diferensiasinya dalam jangka waktu yang lebih lama dibandingkan dengan komposit murni publik. Perusahaan dan peneliti sama-sama merujuk pada Indeks ini tidak hanya untuk tujuan peringkat relatif, tetapi juga untuk melakukan analisis trade-off biaya-latensi-kemampuan di seluruh ekosistem model saat ini, memastikan mereka membuat keputusan yang terinformasi berdasarkan data paling relevan yang tersedia.
Pola Adopsi Perusahaan dan Permintaan akan ROI yang Terukur
Penerapan AI skala besar semakin mengintegrasikan evaluasi Vals saat memilih model dasar dan saat menilai produk internal terhadap metrik kinerja terdepan. Kombinasi waktu respons cepat, spesifisitas domain, dan independensi ini secara efektif mengatasi tantangan praktis yang dihadapi tim pengadaan dan pemimpin teknis: daftar penilaian vendor saja sudah tidak lagi cukup untuk membuat keputusan berisiko tinggi.
Pertumbuhan pendapatan yang luar biasa delapan kali lipat dibandingkan seluruh tahun 2025, bersama dengan basis pelanggan yang berlipat ganda dan jumlah karyawan yang meningkat tiga kali lipat dalam hanya enam bulan, jelas menunjukkan bahwa permintaan telah berpindah dari eksperimen awal ke fase ketergantungan operasional. Pemerintah juga telah berinteraksi dengan platform ini untuk memperoleh wawasan berharga mengenai pengukuran kemampuan dan risiko siber, sehingga memperkuat signifikansinya dalam konteks komersial dan kebijakan. Kapasitas platform untuk tetap sejalan dengan rilis model mingguan memastikan bahwa sinyal tetap mutakhir dan relevan, bukan tertinggal beberapa bulan di belakang frontier.
Ekosistem dan Diferensiasi Struktural dari Platform Berbasis Preferensi
Upaya evaluasi lain memang ada di lingkungan ini, termasuk arena pemungutan suara preferensi yang meng agregasikan penilaian manusia terhadap output terbuka, serta pendekatan psikometrik yang bertujuan memperpendek waktu evaluasi secara signifikan. Vals membedakan dirinya melalui desain tugas profesional yang dikurasi oleh ahli, yang menjamin relevansi dan aplikabilitas tinggi, bersama dengan penilaian otomatis yang secara cermat dikalibrasi untuk memenuhi standar domain yang telah ditetapkan. Perusahaan ini menggunakan kumpulan uji privat yang terus-menerus ditarik untuk menjaga integritas evaluasinya, dan memiliki catatan sitasi yang terbukti dari setiap laboratorium frontier utama di bidang ini.
Catatan kutipan ini berfungsi sebagai bentuk legitimasi penting yang harus diperjuangkan oleh para pendatang baru untuk memperoleh kredibilitas. Selain itu, penekanan perusahaan pada alur kerja multi-langkah yang diimbangi secara ekonomis, daripada hanya fokus pada preferensi percakapan atau kecepatan murni, menempatkan perusahaan ini sebagai infrastruktur penting untuk membuat keputusan produksi yang terinformasi, bukan sekadar pemain dalam daftar pemimpin penelitian. Para investor jelas telah mengenali dan memasukkan diferensiasi unik ini ke dalam valuasi mengesankan sebesar $400 juta.
Inferensi untuk Pengembang Model dan Kecepatan Pengukuran Kemampuan
Laboratorium Frontier kini beroperasi dalam lingkungan di mana skor independen membawa kredibilitas eksternal yang semakin hilang pada angka yang dilaporkan sendiri. Sitasi dalam model card memberi sinyal kepada pembeli perusahaan bahwa hasil telah mengalami pengawasan pihak ketiga. Pada saat yang sama, penciptaan berkelanjutan dari benchmark yang lebih sulit meningkatkan standar yang harus dilewati oleh model-model berikutnya. Proses “pendakian bukit” yang mendorong kemajuan AI karenanya menghadapi rangkaian bukit yang lebih curam dan lebih sering diperbarui.
Pengembang yang memperlakukan evaluasi sebagai pertimbangan terakhir berisiko menemukan kesenjangan kemampuan hanya setelah peluncuran; mereka yang mengintegrasikan pengukuran independen lebih awal dapat memprioritaskan perbaikan yang penting untuk pekerjaan nyata. Pengopenan sumber kode dari komponen infrastruktur terpilih lebih lanjut mendorong reproduktibilitas sekaligus melindungi evaluasi pribadi inti yang menghasilkan skor dengan sinyal tertinggi.
Kebutuhan Pasar yang Lebih Luas akan Lembaga Pengukuran Terpercaya
Saat sistem AI semakin masuk ke dalam alur kerja yang berdampak hukum dan keuangan, ketiadaan pengukuran independen menciptakan risiko asimetri informasi yang sama yang secara historis menghasilkan lembaga peringkat dan auditor di industri lain. Metrik pertumbuhan Vals dan kualitas pendukungnya menunjukkan bahwa modal mengenali kesenjangan institusional ini. Misi yang dinyatakan perusahaan, untuk menjadi evaluator independen kecerdasan buatan, selaras dengan kebutuhan praktis perusahaan yang mencari kejelasan ROI dan para pembuat kebijakan yang mencari wawasan tentang kemampuan dan risiko.
Pengembangan berkelanjutan ke domain profesional dan risiko tambahan akan menguji apakah metodologi ini dapat diskalakan sambil mempertahankan independensi dan kualitas sinyal. Untuk saat ini, kombinasi rilis produk terbaru, penetrasi komersial yang cepat, dan komitmen modal berkelas tinggi menjadikan Vals sebagai titik acuan utama bagi siapa pun yang harus memutuskan model mana yang benar-benar mampu melakukan pekerjaan yang penting.
Pertanyaan yang Sering Diajukan
Apa yang tepatnya diumumkan Vals AI dalam putaran pendanaan Seri A-nya?
Vals AI menutup seri A senilai $40 juta dengan valuasi $400 juta pada 13 Agustus 2026. Andreessen Horowitz memimpin putaran ini, dengan investor yang sudah ada yaitu 8VC, Pear VC, dan Bloomberg Beta kembali, serta investor baru HRT Ventures dan Next Ladder Ventures bergabung. Perusahaan secara bersamaan merilis Vals Smith untuk benchmark pemrograman khusus, RSI Index, ReverseEngBench, Vals Index 2.0 yang diperluas, dan situs web yang dibangun ulang. Pernyataan resmi dari Vals dan a16z mengonfirmasi angka-angka tersebut serta peluncuran produk yang menyertainya.
Bagaimana perbedaan benchmark Vals dengan papan peringkat publik seperti MMLU atau SWE-bench?
Vals berfokus pada alur kerja profesional multi-langkah yang didefinisikan bersama para ahli bidang dan dinilai oleh sistem otomatis yang dikalibrasi sesuai standar ahli. Kumpulan uji utama tetap bersifat pribadi dan ditarik ketika sudah tidak lagi membedakan model, mengurangi kontaminasi dan manipulasi optimasi. Suite akademis publik sering kali jenuh atau bocor ke dalam data pelatihan, sehingga membatasi nilai prediktifnya untuk tugas perusahaan nyata. Pendekatan Vals menghasilkan hasil dalam hitungan jam setelah akses model dan sudah muncul di kartu model laboratorium besar.
Apa signifikansi skor 52 persen pada tugas Finance Agent?
Pada Mei 2026, model terkemuka mencapai akurasi sekitar 52 persen pada rangkaian Finance Agent v2, yang memerlukan pemodelan nilai relatif, sintesis dokumen, dan rekomendasi yang berbasis fakta. Angka ini menunjukkan bahwa bahkan sistem terkuat yang tersedia masih gagal sekitar setengah dari tugas yang diharapkan dari seorang analis keuangan profesional. Kesenjangan antara skor akademis dan kinerja tugas profesional inilah tepatnya masalah yang ingin diukur dan thus ditutup oleh Vals.
Siapa pendirinya dan pengalaman apa yang mereka bawa?
CEO Rayan Krishnan sebelumnya bekerja di Palantir. CTO Langston Nashold memiliki pengalaman di Meta, NVIDIA, dan Hudson River Trading. Keduanya menempuh studi ilmu komputer di Stanford dan mulai berkolaborasi dalam memecahkan masalah pengukuran sebelum mendirikan perusahaan. Latar belakang mereka menggabungkan pengalaman dalam sistem produksi dengan perspektif kuantitatif dan penelitian yang membentuk penekanan Vals pada evaluasi yang ketat dan adaptif.
Apa yang dimungkinkan Vals Smith bagi perusahaan?
Vals Smith memungkinkan setiap organisasi untuk menghasilkan benchmark pemrograman khusus langsung dari repositori GitHub-nya. Sistem ini mengekstrak tugas pengembangan realistis dari pull request historis dan menerapkan tes tersembunyi. Pengguna memulai dengan 120 kredit gratis. Alat ini mengonversi benchmark pemrograman generik menjadi pengukuran khusus organisasi yang mencerminkan pola kode propietaris dan praktik teknik.
Bagaimana Vals Index menggabungkan bobot ekonomi?
Indeks menggabungkan kinerja di bidang keuangan, pemrograman, dan tugas hukum, lalu memberi bobot rata-rata sektor berdasarkan kontribusi perkiraan mereka terhadap PDB AS menggunakan data dari Biro Analisis Ekonomi. Komposit yang dihasilkan memberikan ukuran utama tunggal dari potensi dampak ekonomi sambil tetap memungkinkan inspeksi rinci terhadap hasil masing-masing domain. Versi 2.0 memperluas cakupan dan diperbarui secara sering untuk mencerminkan rilis model baru.
🔥 KuCoin Menawarkan Pilihan Lebih Stabil di Pasar yang Volatil
Jika Anda khawatir tentang naik turunnya pasar yang sering terjadi, dan mencari opsi yang lebih stabil untuk menghasilkan uang secara pasif, KuCoin adalah tempat yang tepat untuk datang:
Simple Earn: Setor dan tarik token kapan saja, dapatkan imbal hasil stabil.
KuCoin Earn: Dapatkan keuntungan stabil dengan manajemen aset profesional.
Hold to Earn: Dapatkan imbalan dengan memegang aset di Akun Pendanaan, Perdagangan, Margin, Futures, Penambangan, dan Akun Terpadu.
Staking: Buka potensi penghasilan dari aset on-chain.
Investasi Lanjutan: Investasi Lanjutan menawarkan berbagai produk terstruktur untuk membantu uang Anda tumbuh di pasar apa pun.
Shark Fin: Perlindungan Pokok dan Keuntungan Terjamin
Investasi Ganda: Beli rendah dan jual tinggi dengan perhitungan pengembalian yang transparan.
Snowball: Imbal hasil tinggi, dengan perlindungan harga.
Belanja Diskon: Beli kripto dengan harga diskon.
KCS Loyalty: Naik level untuk menikmati manfaat eksklusif dengan staking ≥ 1 KCS.
KuCoin Wealth: Temukan nilai masa depan dan mulai perjalanan investasi cerdas Anda.
Manfaat KCS: Pegang dan lakukan staking KCS untuk mengakses manfaat di seluruh platform.
KCS Staking 2.0: Ikuti tata kelola on-chain KCS untuk mendapatkan imbal hasil.
Penafian: Konten ini hanya untuk tujuan informasi dan tidak merupakan saran investasi. Investasi mata uang kripto memiliki risiko. Silakan lakukan riset sendiri (DYOR).
Penafian: Halaman ini diterjemahkan menggunakan teknologi AI untuk kenyamanan Anda. Untuk informasi yang paling akurat, lihat versi bahasa Inggris aslinya.