Voxel51 onthult uniform dataplatform 3.0 voor teams die aan fysieke AI werken

Voxel51 introduceerde Voxel51 3.0 op 15 oktober 2026: een multimodaal dataplatform voor fysieke AI dat zoeken, curatie, annotatie en evaluatie samenbrengt in één uitbreidbaar systeem. Medeoprichter en CEO Brian Moore noemde het in de aankondiging van het bedrijf de ‘belangrijkste release tot nu toe’. Teams kunnen het platform nu gratis uitproberen met hun eigen data via app.voxel51.com.

De release brengt ook een nieuwe naam voor het enterpriseproduct van het bedrijf: Voxel51 is de nieuwe naam voor FiftyOne Enterprise, terwijl FiftyOne de naam blijft van het open-sourceproject. Moore schreef dat het bedrijf al jaren samenwerkt met teams die AI inzetten in autonome systemen, robotica, de maakindustrie en de gezondheidszorg. De afgelopen maanden heeft het bedrijf het platform opnieuw opgebouwd rond het dataverwerk dat begint zodra een model verder komt dan de prototypefase: fouten onderzoeken, trainingssets samenstellen en modellen evalueren in uiteenlopende praktijksituaties.

Multimodaal zoeken en ondersteuning voor tijdreeksen

Voxel51 Search is een blijvende hybride zoekindex die semantisch zoeken combineert met lexicale zoekopdrachten en filters voor ongestructureerde inhoud en gestructureerde metadata in multimodale datasets. Volgens de aankondiging indexeert Search datasets automatisch en berekent het embeddings, zodat zoekopdrachten vanaf dag één beschikbaar zijn. Ook blijven embeddings en gestructureerde velden doorzoekbaar in hun oorspronkelijke vorm; bij het ophalen van resultaten worden ze gecombineerd. Voor het ophalen op basis van vectoren gebruikt het platform LanceDB. De kolomgeoriënteerde architectuur daarvan ondersteunt vectorzoekopdrachten naast scalaire en volledige-tekstindexen, terwijl opslag en rekenkracht van elkaar gescheiden blijven.

Teams bepalen zelf hoe de embeddingpijplijn werkt: welke data wordt omgezet in embeddings, welk model en welke rekenkracht worden gebruikt en wanneer de embeddings worden gegenereerd. Dankzij incrementele updates hoeft daarvoor niet de volledige dataset opnieuw te worden opgebouwd. De release voegt ook volwaardige ondersteuning toe voor multimodale tijdreeksdata: meerdere sensorsignalen kunnen op dezelfde tijdlijn worden weergegeven en met embeddings op segmentniveau kunnen teams specifieke momenten in lange opnamen ophalen, in plaats van een hele gebeurtenis met één embedding weer te geven.

Voxel51 Agent en Agentic Labeling

Voxel51 Agent combineert zoeken, curatie, annotatie en evaluatie in herhaalbare workflows, opgebouwd uit meer dan 45 MCP-tools, meer dan 80 operators en 18 open-sourcevaardigheden. De aankondiging noemt verschillende toepassingen: een roboticateam zoekt in duizenden gebeurtenissen naar specifiek gedrag om gerichte trainings- en evaluatiesets samen te stellen; een perceptieteam gaat van een modelfout naar vergelijkbare langstaartscenario’s, nieuwe annotaties en een nieuwe evaluatie; en bij de voorbereiding van annotaties worden onzekere gevallen toegewezen aan menselijke beoordelaars. De Agent kan ook code schrijven om nieuwe functionaliteit toe te voegen. Alle workflows vallen onder de machtigingen en beveiligings- en governancecontroles die een organisatie instelt.

In een bericht dat op 8 oktober 2026 werd gepubliceerd, voorafgaand aan de lancering, meldde Voxel51 dat de Agent is gebouwd op het Model Context Protocol, een open standaard om AI-toepassingen met externe tools te verbinden. Ook meldde het bedrijf dat de Agent verbinding maakt met meer dan 100 modelaanbieders, waaronder Anthropic, OpenAI en Google, en beschikbaar is voor implementatie in de cloud, hybride omgevingen, on-premises, geïsoleerde omgevingen en beheerde omgevingen. Het bedrijf rapporteerde dat benchmarks van dezelfde Agent-taken met Claude Sonnet 5, Claude Opus 5, GPT-5.1 en Gemini 3.1 Pro kostenverschillen tot 15x lieten zien.

Release 3.0 brengt daarnaast annotatieworkflows voor 2D-, 3D-, video- en multimodale data samen, met geautomatiseerde kwaliteitscontrole, statistieken over annotatoren en tools voor het beheren van controles waarbij mensen betrokken zijn. De functie Agentic Labeling gebruikt vision-language-modellen om labels te genereren op basis van instructies en voorbeelden in natuurlijke taal, met workflows om de resultaten te controleren. Onder verwijzing naar het onderzoek State of Physical AI uit 2026 meldde het bedrijf dat uitzonderlijk presterende teams meer dan de helft van hun projecttijd aan dataverwerking besteden, bijna drie keer zo vaak als teams die moeite hebben om vooruitgang te boeken. Volgens de grafiek bij het onderzoek gaat het om 58 procent van de uitzonderlijk presterende teams en 21 procent van de teams die moeite hebben om vooruitgang te boeken.

Herkomst van data op vier niveaus

Voxel51 3.0 voegt herkomstinformatie over data op vier niveaus toe, zoals Chief Architect Ritchie Martori toelichtte in een begeleidend bericht van 9 oktober 2026. Een activiteitenlogboek op implementatieniveau laat zien wie een actie heeft uitgevoerd, wanneer dat gebeurde en waarop de actie van invloed was; een activiteitenlogboek op datasetniveau houdt wijzigingen in afzonderlijke datasets bij; de bewerkingsgeschiedenis op sampleniveau registreert wijzigingen in labels, metadata en andere eigenschappen; en versiebeheer voor datasets legt onveranderlijke momentopnamen vast, zodat teams historische statussen kunnen vergelijken, workflows kunnen reproduceren en precies kunnen vaststellen welke data voor training of evaluatie is gebruikt.

De onderliggende gebeurtenisarchitectuur gebruikt fiftyone-mq voor taakplanning en Activity Core voor het bijhouden van gebeurtenissen. Daarmee biedt de architectuur een gedeelde basis voor auditlogboeken, annotatiestatistieken en taakbewaking. Machtigingen en de zichtbaarheid van workflows maken elke gegevenswijziging herleidbaar tot de persoon of geautomatiseerde taak die deze heeft uitgevoerd.

Modelonafhankelijk ontwerp en workshops van Nebius

Het platform is van meet af aan modelonafhankelijk ontworpen, zodat teams hun eigen basismodellen en domeinspecifieke modellen kunnen gebruiken voor embedding-generatie, automatische labeling, inferentie en evaluatie, zonder vast te zitten aan een vooraf bepaalde stack. Volgens de aankondiging zijn algemene basismodellen voornamelijk getraind op internetteksten en visuele gegevens, en hebben ze slechts beperkt kennisgemaakt met de belichaamde multimodale sensorgegevens die fysieke systemen genereren. Buiten een handvol goed gefinancierde domeinen, zoals autonoom rijden, moeten teams die aan fysieke AI werken dan ook vaak basismodellen combineren met domeinspecifieke modellen en hun eigen trainingsgegevens.

Voorheen moest je eerst met het team van Voxel51 spreken om de zakelijke mogelijkheden van het platform te ervaren. Met versie 3.0 is zelfbediening gratis beschikbaar via app.voxel51.com; zelfgehoste implementaties blijven beschikbaar door contact op te nemen met het bedrijf. Voxel51 maakte ook bekend samen te werken met het AI-cloudbedrijf Nebius. Tijdens praktijkgerichte evenementen voeren ontwikkelaars workflows zoals embedding-generatie en automatische labeling uit op Nebius AI Cloud. De twee bedrijven organiseren tot en met november 2026 nog negen workshops over fysieke AI in Canada en de Verenigde Staten; inschrijven kan nu.