Trajectory, ein 18-köpfiges Start-up, das vor rund einem Jahr von drei Stanford-Kommilitonen gegründet wurde, hat am Montag eine Series A über 45 Millionen Dollar bei einer Bewertung von 300 Millionen Dollar bekannt gegeben – angeführt von Sequoia, mit Beteiligung von Nvidia, Bessemer Venture Partners und Bain Capital Ventures.
Das Unternehmen verkauft einen Weg, das Post-Training in den Händen derer zu lassen, die die Arbeit verstehen. Die Plattform verbindet sich mit der Anwendung des Kunden, beobachtet, wie ein meist quelloffenes Basismodell abschneidet, sammelt Rückmeldungen dazu, wie eine gute Antwort aussieht, und trainiert das Modell regelmäßig damit nach. Das Versprechen: Eine Kanzlei oder eine Klinik kann ihr Modell für ihr Fachgebiet verbessern, ohne ein Forschungsteam einzustellen oder Forward-Deployed Engineers von einem Anbieter zu mieten.
Mitgründer Ronak Malde formuliert es so: Basismodelle seien "ein sehr kluger Doktorand, der ständig einen neuen Job anfängt", während "die Wirtschaft jemanden schätzt, der 30 Jahre in diesem Job gearbeitet hat".
Harvey und Rogo nutzen die Plattform bereits, um quelloffene Modelle für juristische und finanzielle Aufgaben nachzutrainieren; auch Decagon, Mercor und Nvidia werden als Kunden genannt. Trajectory öffnet die Plattform nun öffentlich, nachdem sie zuvor mit ausgewählten Design-Partnern gelaufen war.
Der technische Einsatz gilt dem kontinuierlichen Lernen – Modelle, die Korrekturen über die Zeit ansammeln, statt nach einem einzelnen Fine-Tuning-Lauf eingefroren zu werden. Damit landet Trajectory in einer überfüllten und zuletzt teuren Nachbarschaft. Das Unternehmen nennt Thinking Machines Lab, Mira Muratis Firma hinter der Fine-Tuning-Plattform Tinker, als direkten Wettbewerber, ebenso Applied Compute – im vergangenen Monat mit 3,25 Milliarden Dollar bewertet – und Prime Intellect.
Mitgründer Michael Elabd zieht eine Grenze zur rekursiven Selbstverbesserung, also der Idee, dass Modelle sich ohne menschliches Zutun weiterentwickeln. Fachexperten im Prozess zu halten, so sein Argument, mache kontinuierliches Lernen nicht nur nützlich, sondern auch sicher: Der Mensch entscheidet, was "besser" bedeutet, bevor das Modell darauf optimiert.
Die Vita des Gründerteams gehört zum Verkaufsargument. Malde war einer der Forscher, die Google DeepMind von Windsurf übernahm; Elabd arbeitete ebenfalls bei DeepMind; Arjun Karanam arbeitete bei Apple an generativen Basismodellen. Das Unternehmen hat zudem bei OpenAI, Stripe und Netflix angeworben und legt für ein Trainingsunternehmen ungewöhnlich viel Wert auf Design – mit dem Argument, eine Post-Training-Oberfläche demokratisiere Modellverbesserung nur dann, wenn auch Nicht-Spezialisten sie bedienen können.
Ob das ein dauerhafter Burggraben ist, beantwortet die Bewertung von 300 Millionen Dollar schon vorab.
