2026年11月2日，美国 AI 创业公司 Trajectory 宣布完成4500万美元 A 轮融资，投后估值达3亿美元。本轮融资由红杉资本（Sequoia）领投，英伟达（NVIDIA）、Bessemer Venture Partners 与 Bain Capital Ventures 参投。
Trajectory 由三名斯坦福同学于约一年前共同创立，团队成员此前任职于 Google DeepMind 与苹果公司，公司目前约18人。公司切入的是大模型后训练（post-training）这一环节：当前的大语言模型无论由 OpenAI、Anthropic 还是开源社区开发，都存在同一个局限——模型无法在不重新训练的情况下从自身错误中学习，而企业若要把通用模型适配到法律、金融等专业领域，通常需要自建研究团队或聘请昂贵的驻场工程师（forward-deployed engineers）。Trajectory 希望把这一过程自动化，让模型能够从反馈中持续学习并在专业任务上不断改进。其技术路径为「持续学习」（continual learning）：企业以开源 AI 模型为起点，把 Trajectory 平台接入自身应用以收集模型表现反馈，再据此重新训练模型。联合创始人 Ronak Malde 将基础模型比作「总在换新工作的聪明博士生」，但「经济真正认可的是在同一份工作上干了30年的人」。
从赛道视角看，本轮融资反映出资本对「模型后训练与持续学习」这一细分环节的兴趣正在升温。随着大模型基础能力趋于同质化，企业侧落地的瓶颈从「能不能做出来」转向「能不能针对具体业务持续调优」，Trajectory 的产品正好切在这道工序上。联合创始人 Michael Elabd 认为，其持续学习方案与「递归自我改进」（RSI）思路有相似之处，但保留人工参与训练过程使整套方法更安全，因为自主的自我改进可能导致不可预期甚至危险的后果。市场中同场竞逐的还包括前 OpenAI CTO Mira Murati 创办的 Thinking Machines Lab、一个月前估值达到32.5亿美元的 Applied Compute，以及帮助企业构建自有 AI 智能体的 Prime Intellect。
客户方面，Harvey 与 Rogo 已在使用 Trajectory 平台对开源模型进行后训练，使其表现更接近资深律师或金融分析师；其他客户还包括 Decagon、Mercor 与英伟达。目前 Trajectory 的后训练平台已正式公开发布。联合创始人表示，使用者可以自行定义「什么才算做得好」，并把这些标准转化为对模型的改进，后续产品验证与商业化进展值得持续关注。
