18 个人拿 4500 万美元 A 轮，卖的是"让你自己的专家训练模型"
数字先摆齐：4500 万美元 A 轮，估值 3 亿美元，红杉领投，英伟达、Bessemer Venture Partners、Bain Capital Ventures 参投。公司 18 人，成立约一年，三位创始人是斯坦福同学——Ronak Malde 是从 Windsurf 被 Google DeepMind 收进的那批研究员之一，Michael Elabd 也出自 DeepMind，Arjun Karanam 此前在苹果做生成式基础模型。后来又陆续从 OpenAI、Stripe、Netflix 挖了研究和产品设计的人。
它解决的问题
联合创始人 Malde 的比喻是：基础模型像一个很聪明的博士生，但每换一份工作都要从零开始。而经济真正付钱的是在一个岗位上干了 30 年的人。
落到产品上就是三步：企业选一个开源模型起步，把 Trajectory 接进自己的应用，平台持续收集”这个回答好不好”的反馈，再拿这些反馈重训模型。律师、医生这类领域专家可以自己定义”什么算做得好”，不需要写代码。
已经在用的客户名单说明这条路不是概念：Harvey 和 Rogo 用它对开源模型做后训练，让模型学会审某一类合同、按某一套方法给公司估值；客户还有 Decagon、Mercor 和英伟达。平台现在对公众开放。
对一人公司有什么用
如果你在替客户做垂直场景的 AI 交付——审合同、写合规回复、投标书初筛——你现在的交付物大概是一个”调好的提示词 + 一套流程”。客户第二年续不续费，取决于模型有没有比第一年更懂他的业务。
Trajectory 这类平台把这件事变成了可计价的动作：不是”我帮你接了个模型”，而是”你的团队每处理 100 单，模型就比上个月准一点”。前者是一次性交付，后者是持续关系。这两者的报价方式完全不同——一次性交付收项目费，持续改进收月费，而且月费可以跟着准确率涨。
更实际的一点：**你手上那些客户改过的稿子、纠正过的字段，本身就是训练数据。**大多数人把它们当废料，只在复盘时翻一翻。有人已经开始把它们当资产卖了。
泼冷水
- **18 个人 3 亿美元，人均 1667 万美元。**这个价格买的不是技术，是”Harvey 和 Rogo 已经在用”这件事。你没有这个背书，别指望靠同类产品拿到同样的估值。
- 持续学习的难点从来不在训练，在评估标准。“什么算做得好”如果客户自己都说不清，模型只会把噪声学进去。Trajectory 把这件事交给客户定义，等于把最难的部分留给了客户。
- **它不便宜，也不会便宜。**后训练要算力、要工程、要人盯着跑。平台化降低的是入门门槛，不是单位成本。
- **竞争对手都是重资本。**Thinking Machines 的 Tinker、上个月估值 32.5 亿美元的 Applied Compute、Prime Intellect，任何一家都比 18 个人有钱得多。
具体建议
- 先翻你手上的项目，找出”客户反复纠正同一类错误”的那一个。这就是最值得做持续学习的地方，不需要新客户、新需求。
- 把纠正记录结构化存下来：输入、模型输出、客户改后的结果、改的原因。四个字段就够，用 CSV 都行。没有这份数据，任何后训练平台都帮不了你。
- 报价单上加一行”季度模型校准”，按季度收一笔固定费用，交付物是一份准确率对比。哪怕暂时还是人工调提示词，也先把这一项卖出去——客户买的是”会变好”，不是”用了什么技术”。
- 真要试后训练，先拿一个开源小模型在你自己的数据上跑通一遍闭环，别一上来就接平台。闭环跑不通，换哪家平台都一样。