人工智能初创公司Trajectory完成4500万美元A轮融资并公开其模型后训练平台，目标让律师、金融分析师等领域专家直接参与模型改进，将业务反馈转化为后续训练依据。公司强调人仍掌握上线决定权，平台降低工程门槛但不取代专业判断，平台效果和长期收益尚需在具体任务上验证。
人工智能初创公司Trajectory宣布完成4500万美元A轮融资，估值为3亿美元，并开始公开提供其模型后训练平台。它希望让律师、金融分析师等领域专家直接参与模型改进，把业务中的反馈变成后续训练的依据，而不必把整个过程交给专门的机器学习研究团队。
据TechCrunch于2026年11月2日发布的报道，本轮融资由红杉资本（Sequoia）领投，英伟达、Bessemer Venture Partners及Bain Capital Ventures参投。报道同时指出，Harvey、Rogo、Decagon、Mercor和英伟达已是其客户。上述融资、估值与客户信息来自该媒体报道；报道并未提供足以独立比较各客户部署效果的数据。
这家约一年前成立、拥有18名员工的公司，押注的是通用模型进入专业工作流程之后的一道难题：模型能够生成流畅答案，不代表它已经掌握一家机构的工作方法；一次回答得到纠正，也不意味着模型参数会因此自动更新。
从业务反馈到模型更新
Trajectory联合创始人Ronak Malde向TechCrunch打了一个比方：基础模型像一位非常聪明、却总在开始新工作的博士生，而经济活动真正看重的，往往是已经在岗位上积累数十年经验的人。
公司的方案是让企业从开源模型出发，将平台连接到业务应用，收集模型执行任务时的反馈，再把这些信息用于重新训练。其目标不是每次都换用一个更大的通用模型，而是让模型逐渐适应特定机构的任务与判断标准。
报道列举的场景包括审查某一类法律合同，以及按照特定方法对公司进行估值。两者都不仅需要一般知识，还需要知道什么样的结果符合使用方要求。Malde的说法是，用户负责定义本机构眼中“好的表现”是什么，再把这种判断转化为模型改进。
这里的“后训练”，是指在基础模型已有能力之上继续训练，以调整其任务表现。Trajectory所描述的“持续学习”，则是把反馈收集、后续训练与评估连接起来的过程，不是模型在每次对话后都会立即、自主地改写自己。
对非技术用户而言，平台试图降低的是参与这一流程的工程门槛，而不是消除专业判断。合同审查中的遗漏是否严重、估值方法是否恰当、哪些反馈值得进入训练，仍需要业务专家作出决定。
客户案例显示探索方向，尚不能证明普遍收益
除了TechCrunch列出的客户，Trajectory官网还展示了Clay首席执行官Kareem Amin的评价。他表示，持续学习是Clay产品路线的重要研究方向，公司正在测试一个能够从用户反馈中改进的模型，并已看到一些从错误中学习的例子。
这段评价提供了一个具体的应用线索，但其中的措辞是“探索”和“测试”，而不是已经完成全面生产部署。官网展示的是客户证言，没有在该段材料中给出测试样本规模、对照方法、错误率变化或成本数据，因而不能据此推算所有客户都能获得类似收益。
同样，TechCrunch报道中关于专业AI部署有望更快、更便宜的判断，应理解为产品目标与潜在价值，而不是经过独立验证的统一结果。公开提供平台，也不等于已经披露所有企业的接入条件、训练成本或交付周期。
人在训练闭环中，也要掌握上线决定权
Trajectory强调，持续学习不应意味着模型可以不受约束地自我改进。联合创始人Michael Elabd向TechCrunch表示，让人参与训练过程，是其方案与自主递归式自我改进之间的重要区别；他认为，后者可能带来意外甚至危险的结果。这是创始人对产品路线的解释，并非对平台安全性的独立评测结论。
官网对控制机制的说明更为具体：客户决定哪些数据用于训练，每次模型更新都要经过客户的评估套件和审批流程，才能进入生产环境。公司还宣称，用户可以查看系统学到了什么、为何变化以及表现如何，并审计训练运行。
这些设计把“允许训练”与“允许上线”区分开来。模型在某批训练反馈上有所改善，并不自动意味着它适合替换现有生产版本；企业还需要判断这种变化是否符合自身评估标准。与此同时，拥有审批流程本身也不能证明评估已经覆盖所有风险。数据边界、评估质量以及审批是否得到有效执行，仍是实际使用时需要检查的问题。
因此，官网所述机制可以作为理解产品的依据，但不能扩大解释为已经证明不会泄露数据、不会退化，或者可以免除法律、金融等场景中的专业复核责任。
后训练平台之间，竞争的不只是算力
Trajectory并不是唯一试图降低后训练门槛的公司。TechCrunch报道称，其将Thinking Machines Lab的Tinker、Applied Compute以及Prime Intellect视为竞争对手。
不同平台降低的门槛并不完全相同。Tinker官方文档将自身定位为面向研究人员和开发者的训练API：用户编写数据、损失函数和训练循环，服务负责分布式训练的执行。文档明确表示，它不是一个让微调自动变简单的“魔法黑箱”，而是在保留算法控制权的同时，隐藏分布式训练的复杂性。
相比之下，Trajectory在此次报道中突出的是领域专家与界面设计。其第三位联合创始人Arjun Karanam表示，公司开发了让非技术客户更容易使用后训练的界面。三位创始人是斯坦福同学，Malde和Elabd有Google DeepMind经历，Karanam此前在苹果从事生成式基础模型工作。
这种定位上的差异，并不足以证明某个平台训练效果更好，却说明竞争正在延伸到更完整的工作流程：谁来定义目标，如何收集有用反馈，怎样评估模型变化，以及由谁批准进入生产。
4500万美元融资为Trajectory推进这一路线提供了资金，但估值不是效果证明。它能否把领域专家的判断稳定转化为更可靠的模型，仍需要具体任务上的长期表现来回答。对于企业，关键也不只是能否启动一次训练，而是能否确认每次更新究竟改善了什么，并保留决定是否采用它的权力。