Trajectory 完成 4500 万美元 A 轮，要让非技术专家也能训练专属模型

Trajectory 在 11 月 2 日宣布完成 4500 万美元 A 轮融资，估值达到 3 亿美元。本轮由红杉资本领投，英伟达、Bessemer Venture Partners 和 Bain Capital Ventures 参投，这家成立约一年的公司同时把后训练平台对外开放。

它要解决的问题很具体：无论模型来自 OpenAI、Anthropic 还是开源社区，当前的大模型都不会在没有额外训练的情况下从错误中学习。法律、金融等专业领域的企业通常靠微调通用模型来补齐这一环，但这往往意味着自建研究团队，或者请收费高昂的前沿部署工程师。

Trajectory 的路径是持续学习。企业从开源模型起步，把平台接入自己的应用，持续收集模型在实际任务中的表现反馈，Trajectory 再用这些信息重新训练模型，让它在专业任务上逐步变好。用联合创始人 Ronak Malde 的话说，基础模型像一位非常聪明、却总在换工作的博士生，而经济真正看重的是在一个岗位上干了三十年的人。

已经有人在这样用。Harvey 和 Rogo 通过 Trajectory 对开源模型做后训练，让它们在审阅特定类型的法律合同、按特定方法为公司估值等任务上更接近有经验的律师或分析师；Decagon、Mercor 和英伟达也是其客户。平台目前已经公开可用。

团队是这家公司讲得最重的筹码。三位联合创始人是斯坦福同学，分别有 Google DeepMind 和 Apple 的经历：Malde 是 DeepMind 从 Windsurf 收编的研究员之一，Michael Elabd 也曾在 DeepMind 工作，Arjun Karanam 此前在 Apple 做生成式基础模型。公司还从 OpenAI、Stripe 和 Netflix 招来研究与产品设计人员，目前规模 18 人。

Trajectory 刻意把自己与递归自我改进（RSI）区分开。Elabd 认为，让人类留在训练回路中会更安全，因为完全自主的自我提升可能带来意外甚至危险的后果；而在 Trajectory 的模式里，是业务专家决定“什么才算好”，平台负责把这一判断转成模型改进。

竞争并不小。TechCrunch 提到，由前 OpenAI 首席技术官 Mira Murati 创办的 Thinking Machines Lab 及其微调平台 Tinker 是直接对手，Applied Compute 上个月估值已达 32.5 亿美元，Prime Intellect 则在帮助企业管理并训练自己的智能体。

这笔融资说明，后训练正在从少数研究团队的专属能力变成一层可购买的工具。真正的考验在于，当平台向所有企业开放后，那些缺乏标注体系和评估经验的团队能否稳定地把业务反馈变成模型提升；如果这一步走得通，专业模型的部署成本和周期都会被重新定价。