通用大模型就像一个聪明绝顶、但每天都在第一天上班的博士生。为了治好大模型记不住教训的毛病，斯坦福同窗 Ronak Malde、Michael Elabd 和 Arjun Karanam 在一年前创立了 Trajectory。这支仅 18 人的团队刚刚拿下了 4500 万美元 A 轮融资，估值达到 3 亿美元。此轮融资由红杉资本领投，Nvidia、Bessemer Venture Partners 和 Bain Capital Ventures 参投，其自动化后训练平台也同步向公众开放。
这笔钱的账面口径其实有些时间差。早在 2026 年 8 月 11 日，The Information 就披露过 Trajectory 以 3 亿美元估值拿下了红杉参投的 4000 万美元；而翻看 Trajectory 官网主页，目前挂出的数字是 6000 万美元 A 轮加种子轮总额。不管公关节奏如何拆分，资本买单的逻辑很明确：三位创始人分别来自 Google DeepMind（含从 Windsurf 收购招募的成员）和 Apple 基础模型团队，还从 OpenAI、Stripe 和 Netflix 挖来了研究员与产品设计师。他们承诺让不懂代码的律师、医生自己动手训练开源模型，把昂贵的算法外包和前线部署工程师直接踢出局。
外行调教 AI 的黑盒里装了什么
新闻稿里最动人的画面，是律师和金融分析师在日常工作里顺手给 AI 纠错，模型就能像工作了 30 年的老手一样持续进化。Harvey、Rogo、Decagon、Mercor 和 Nvidia 都已经被列在了客户名单上。
但扒开产品底层就会发现，所谓的公众开放与实时进化，现实约束比宣传大得多。Trajectory 官网目前没有公开美元定价表，接入仍需排等候名单或申请 Demo；其核心的持续学习功能 Continual Grading（从专家示例中学习任务专属评分器）和 Group Size 1（从单次生产交互中学习），至今仍挂着研究预览版的标签。
更重要的是，模型并不会因为律师改了一行合同就立刻刷新权重。WIRED 曾在 2026 年 5 月 27 日的报道中点破，Trajectory 的模型更新频率最高约为每周一次，两次更新之间模型完全保持静态。这种机制被联创 Michael Elabd 包装为安全考量：相比让 AI 自己改写代码的递归自我改进（RSI），保留人类在环路中能防止失控。
那不懂代码的律师到底怎么训练模型？真正干脏活的是元评分器（Metagrader）。
在 Trajectory 于 2026 年 11 月 2 日发布的 Continual Grading 报告中，团队用 60 个专家标注任务构建出元评分器，让它学会人类专家的评判标准，再去自动给海量任务打分训练。在 τ³-Bench 评测中，这套方法把奖励分数从 80.0% 提到了 84.9%（直接用原始评分器则是 87.8%）。说白了，外行并没有直接调教大模型，他们只是喂了几十道标准答案，先教会了一个自动批卷机。
实验室数据里的跷跷板困局
如果只看公关稿，你会以为开源模型经过这套流水线洗礼，就能在律所和投行里独当一面。但我翻完了 Trajectory 自己挂在官网上的两份技术报告，看到的却是一场残酷的数字魔术。
在 2026 年 8 月的法律 Agent 报告里，Trajectory 拿开源的 Nemotron 3.5 Lightning 开刀，将其任务全通率（all-pass）从 0% 提升到了 8.3%，顺手赢过了同场测试里拿到 6.6% 的 Opus 4.6；二次优化后，模型的平均输出从 9 万 token 砍到了 3.7 万 token。到了 2026 年 11 月 2 日，他们又对 Qwen3.6-35B-A3B 做了 258 个保留任务测试，用生成式评分标准把 Harvey-LAB 全通率从 1.4% 提到 6.6%，用专家标准则提到 4.4%（两者置信区间重叠）。
省下一半以上的 token 固然能帮应用商省钱，但一个全通率只有 4.4% 到 8.3% 的法律模型，每干十票还要砸九票。更刺眼的真相藏在 11 月 2 日报告的附录里。
模型学会了考满分，却把及格的基本功全忘光了。
在这份早期 Nemotron 实验附录中，微调后完全满足所有专家标准的任务比例，确实从基座模型的 4.2% 涨到了 14.2%（使用专家标准）和 15.8%（使用合成标准）。但与此同时，模型满足的单项专家标准总比例，却从基座的 76.7% 暴跌到了 66.9% 和 60.0%。
韩非子讲过一个买椟还珠的道理，用在今天的强化学习后训练上依然贴切。当算法为了迎合评分器、拼命把少数任务的通关率往上拔时，模型就会通过牺牲通用基本功来换取局部高分。所谓标杆客户 Rogo 在公开渠道只有员工领英动态提及，没有任何量化案例；Harvey 的成绩单则全出自这套存在明显偏科隐患的内部基准测试。
- 风险.后训练在拉高特定任务通关率时，极易触发灾难性遗忘，导致模型整体单项达标率出现超 15 个百分点的倒退。
百亿美金赛道分裂成两条路
Trajectory 绝不是唯一盯上这块肥肉的公司。就在它拿 3 亿美元估值的同时，后训练赛道已经挤进了前 OpenAI CTO Mira Murati 创立的 Thinking Machines Lab、上个月刚拿到 32.5 亿美元估值的 Applied Compute，以及刚刚融了 1.3 亿美元 A 轮的 Prime Intellect。
但这四家公司虽然都在抢微调的生意，底层的商业算盘已经彻底裂开。
| 公司与产品 | 核心训练与交付范式 | 定价模式与公开实证 |
|---|---|---|
| Trajectory | 专家标注训练元评分器，按周更新开源模型 | 官网未公开定价表，需预约 Demo；Harvey 评测全通率 6.6%-8.3% |
| Thinking Machines (Tinker) | 提供底层微调算力原语与 API | 明码标价：Qwen3-8B 为 0.44 美元/百万 token；桥水准确率达 84.7% |
| Prime Intellect | 砍掉共享 LoRA，转向独占 GPU 全参数训练 | 按 GPU 秒级计费，主攻企业自建与训练专属 Agent |
| Applied Compute | 自动化后训练结合深度驻场研究优化 | 估值达 32.5 亿美元，体量约为 Trajectory 的十倍 |
你看 Mira Murati 的 Tinker，走的是极其透明的水电煤路线。他们在 2026 年 10 月 19 日更新了公开价格表，训练 Qwen3-8B/32K 只要 0.44 美元/百万 token，训练 Qwen3.6-35B-A3B/64K 则是 1.177 美元/百万 token。桥水基金直接用 Tinker 训练 Qwen3-235B 来做 6 项金融筛选任务，准确率干到了 84.7%（同期最佳前沿模型只有 78.2%），单任务推理成本还暴降了 13.8 倍。另一边的 Prime Intellect 则干脆退役了共享按 token 计费的 LoRA 服务，全面押注独占 GPU 的全参数训练。
这就像二十年前的企业软件战争。Tinker 和 Prime Intellect 在卖标准化的云服务器和数据库原语，明码标价，让有工程师的团队自己动手；而 Trajectory 试图直接卖一套傻瓜式的业务工作流，去替代年薪数十万美元的前线部署工程师。
- 结论.给开源模型做后训练确实能帮垂直应用砍掉过半推理成本，但在评分器偏见和遗忘问题解决前，它还替代不了真正懂业务的驻场工程师。
回到开头那个新入职博士生的比喻。Trajectory 证明了用几十个专家样本捏出一个自动批卷机，确实能让阿里 Qwen 和 Nvidia Nemotron 这类开源模型在特定考卷上多拿几分。但律所和投行需要的不是一个为了押中一道大题、把原本 76.7% 的日常及格率砸到 60.0% 的偏科生。在 Trajectory 敢于公开透明的价格表、并交出跨越数月真实生产流量且不发生灾难性遗忘的留存数据之前，那位工作了 30 年的老专家，位置依然稳得很。