被Notion收购的小团队：不做大模型只做小模型
推荐深入了解 ZeroEntropy——一家被 Notion 收购的小团队，他们的 reranker 让 Notion AI 的搜索结果排序延迟暴降 85%。更值得关注的是公司底层的技术哲学：不做大语言模型，专做“生产系统里 AI 读标量的小模型”——reranker、embedder、classifier、judge、faithfulness scorer。他们的核心赌注是：生产 AI 的长期形态不是一个大模型做所有事，而是一群微调过的专才模型环绕着前沿 LLM。
ZeroEntropy：不做大模型，专做给 AI 质检、打分、排序的小模型——被 Notion 收购 2026 年 7 月 24 日，Notion 宣布收购 ZeroEntropy。这家公司做什么 ZeroEntropy 的定位非常精确：训练小型的、专才的、校准过的模型——reranker（���排序器）、embedder（嵌入模型）、classifier（分类器）、judge（评判模型）、faithfulness scorer（忠实度评分器）。不是大语言模型。
不给用户聊天。不参加 benchmark 军备竞赛。他们的核心赌注写在自己网站上：“生产 AI 的长期形态是一群微调过的专才模型环绕着前沿 LLM，而不是一个大模型做所有事。
” 一个 0.5B 参数的重排序器，在客户自己的 eval harness 上校准过，可以在那个真正重要的指标上击败前沿 LLM，花费大约是 1%，延迟是 10%。嵌入模型、幻觉检测、指令遵循分类器、提示注入检测——同样成立。前沿 LLM 是为“广度”付费的，而在这些狭窄的生产路径上，没有人需要广度。
团队 两个人：Ghita Houir Alami（CEO）和 Nicholas Pipitone（CTO）。Ghita 是摩洛哥裔，两个应用数学硕士学位——巴黎综合理工学院（École Polytechnique）和 UC Berkeley。收购后她将领导 Notion 新成立的 Model Research 团队。
Nicholas 从 CMU 退学创业，做了五家初创公司的 CTO。底层 C/C++/Assembly/GPU 编程。写过统计套利算法，审计过区块链。
在 ZeroEntropy，他主导了自研 CUDA kernel、推理栈、模型专精配方。团队被描述为“小而密”——竞赛数学功底、前 quant 对数值正确性和每一点延迟成本的执念、创始人级的交付狂热。没有独立的研究部门——证明训练目标的人就是第二天在客户语料上跑训练的同一批人。
YC W25 批次毕业。2025 年 7 月，Initialized Capital 领投了 $420 万美元种子轮，YC、Transpose Platform、22 Ventures、a16z Scout 参与，天使投资人来自 OpenAI、HuggingFace 和 Front。前六个月处理了近 1 亿份文档和一百万次查询。
技术栈：zELO 方法论 ZeroEntropy 的核心不是某一个模型，而是训练能力本身。他们发表了一篇 arXiv 论文（zELO: ELO-inspired Training Method 1. 用第一阶段的检索器（embedding + BM25 混合搜索）生成候选文档 2. 用一个 LLM 集成体生成稀疏的成对偏好比较（哪个文档更相关），同时用一个蒸馏出来的小模型做规模化 3. 把这些成对偏好通过 Thurstone 统计模型转化为连续的绝对相关性分数——本质上是把国际象棋的 Elo 评分转成了检索相关性训练信号 4. 在这些分数上微调点式重排序器 训练用了 112,000 个查询、每个查询 100 个文档，从无标注的查询-文档对端到端训练，只用不到 10,000 H100 小时。产品线 | 模型 | 参数 | 定位 | |------|------|------| | zerank-2 | 4B | 旗舰重排序器，SOTA，多语言，指令遵循 | | zerank-2-nano | 0.6B | 延迟优化版，API 专用 | | zerank-2-small | 1.7B | 中间档，私有 beta | | zerank-1 / zerank-1-small | 4B/1.7B | 第一代，Qwen3 基座 | | zembed-1 | 4B | 旗舰嵌入模型，2560 维，分级检索基准 #1 | zembed-1 是一个值得单独说明的模型——它直接从 zerank-2 蒸馏出来，所以下游拟合的相关性信号和训练时的信号是同一个。
大多数嵌入模型用二值的“相关/不相关”标签训练；zembed-1 用来自 LLM 成对偏好的连续评分训练——这就是它在分级评估上大幅领先的原因。收购细节 这场收购的路径不是“大公司扫货”，而是“先当客户，再娶回家”： 1. Notion 成为 ZeroEntropy 的最大客户——Notion AI 的统一搜索在生产环境中跑了 zerank-2 两个月 2. 效果：整体搜索速度提升 30%，重排序步骤延迟降低 85%，答案质量不变，推理成本还降了。替代的是更大、融资更多的竞争对手的产品。
3. 7 月 24 日宣布收购。全团队加入 Notion。Ghita 领导 Model Research。
财务条款未披露。4. 全部模型以 Apache 2.0 开源到 HuggingFace。任何人可以通过任何推理服务商自部署，不需要商业许可。
5. ZeroEntropy 的 API 产品（zsearch 等）维护到 9 月 4 日后关停。Notion COO Akshay Kothari 在 X 上写道：“AI 产品的未来不会由一个单一模型驱动，而是通过智能地将每个工作负载匹配到质量、速度和成本的最佳组合。这是朝那个方向迈出的重要一步。
” 为什么这件事重要 ZeroEntropy 的整个故事是一个技术主张的成功验证： 1. “不是更大的模型，而是合适的模型。” 一家十几个人的团队，用定制 kernel + 数学上精心设计的训练方法 + 不到 10,000 H100 小时，做出了在具体指标上击败任何前沿 LLM 的专用模型。2. 专才 > 通才的生产路径。
Notion 的生产验证证明了——在生产系统里，一个 0.6B 的专用 reranker 比花几十倍成本和延迟去调 GPT-5.6 来排序搜索结果更合理。3. “先当客户”的收购模式。Notion 没有跑去市场上找“最好的 AI 公司”收购。
它先作为客户发现了 zerank-2 的价值——延迟降 85% 的实际数字——然后决定“这团队我要了”。这和 OpenAI 之前收购的路径类似。4. 开源释放：Apache 2.0 意味着整个 RAG 社区现在可以免费使用 SOTA 级别的重排序器和嵌入模型。
这对搜索、RAG、agent 工作流是直接利好。#ZeroEntropy #Reranker #Notion