AREX Feed Article
Labelbox 宣布完成超 1 亿美元 Series E 融资，公司披露 12.5 亿美元投前估值
美国时间 10 月 14 日，旧金山 AI 平台公司 Labelbox 宣布完成超过 1 亿美元的 Series E 融资，形式为股权加信贷额度（credit facility），由 Infinitum Partners 领投，Andreessen Horowitz（a16z）、Wipro Ventures、B Capital、Tau Ventures、Snowpoint Ventures 等参投。据 ，这笔钱将投向两条产品线：Horizon，为前沿 AI 实验室提供强化学习（reinforcement learning）环境与评测基础设施；Recursion Managed Agents，让企业在已有业务应用里部署成规模的 agent 车队。
通稿本身没有披露估值。估值数字出自公司：本轮投前估值 12.5 亿美元。Labelbox 同时自述，客户超过 400 家，其中含 90% 以上的头部美国 AI 实验室，公司已在 2026 年实现盈利、业务同比增长至 5 倍以上——这组经营数字均为公司口径，公告未附第三方数据。
股权加信贷的 Series E，估值写在公司博客里
按通稿的说法，本轮融资「超过 1 亿美元」，由股权和一笔信贷额度共同构成；Infinitum Partners 领投，a16z、Wipro Ventures、B Capital、Tau Ventures、Snowpoint Ventures 及其他投资方参投。至于股权与信贷各占多少、信贷额度由哪家机构提供、投后估值是多少，公告均未说明；总额方面，公告里只有「超过 1 亿美元」这一个数字。
官方博客在公告开头列了四个关键数字：1 亿美元以上的 Series E、由 Infinitum Partners 领投；12.5 亿美元投前估值；400 多家客户；90% 以上的头部美国 AI 实验室在与它合作。
Labelbox CEO 兼联合创始人 Manu Sharma 在通稿中说：“每家公司很快都将运行在从自己的工作中学习的 AI 系统上。要走到那一步，每一层都需要创新——从沙箱基础设施、agent harness 到强化学习后训练。Labelbox 把这些层整合进一个平台，这笔资金让我们能把每一层都推得更远，让前沿实验室和企业都能构建每跑一轮就变得更好的 AI。”
Horizon：前沿实验室的强化学习环境
通稿介绍，Horizon 提供强化学习环境、专家反馈和评测基础设施，帮助 AI 实验室训练并改进前沿模型。它的环境模拟编码、研究等高要求任务中复杂的多步骤工作，让模型在其中练习、拿到表现反馈，再通过强化学习改进；Labelbox 目前与领先的 AI 实验室和超大规模云厂商（hyperscaler）合作开展后训练（post-training）项目。
官方博客把 Horizon 的机制说得更直白：模型在环境中尝试完成一项任务，一个经过校准的奖励信号判定它是否成功，模型随之改进。博客把这套流程列为四步——世界（worlds）、轨迹（trajectories）、评分（grading）、训练（training），并称其构建的强化学习环境用来「模拟真实工作的全貌」，公司如今与 90% 的头部前沿 AI 实验室及超大规模云厂商合作。
Recursion Managed Agents：企业 agent 车队，本月刚开放
Recursion Managed Agents 面向另一类客户。据 ，企业可以把成队的 AI agent 部署进团队已在使用的应用里；agent 能响应排程、警报、工单等触发条件自行开工，跨工具协调，产出按既定标准被评分，每一轮运行都会写入它的记忆，影响它下一次如何处理任务。
这套系统先在 Labelbox 内部跑通：公司称已有 50 多个 agent 在工程、研究、产品、销售、市场、财务等职能部门工作。本月早些时候，Labelbox 把 Recursion Managed Agents 开放给企业客户，把这套持续改进的机制从 AI 研究实验室扩展出去。
官方博客引述业内的叫法，把这类系统称为 recursive self-improvement（递归自我改进）——从自己的工作中变得更好的系统。其机制是：agent 完成一项工作后，由独立的评分器（grader）按团队设定的标准打分，每一次被评分的运行都喂给记忆，成为下一次运行的起点。博客称这套系统有三部分——回顾先前的会话并从中学习、维护经过整理的记忆、用自己最好的工作成果做微调——从 agent 工作的沙箱、检查其工作的子 agent 和评分器，到承载学习成果的记忆与模型，都在公司自己手里。
增长口径与盈利规模：公告没说的部分
「同比增长至 5 倍以上」没有说明按什么口径计算——收入、客户数还是别的指标——公告也没附审计数据；盈利发生在 2026 年，利润规模同样没有披露。
通稿的「关于 Labelbox」一节把客户画像拉得更宽：除领先 AI 实验室和超大规模云厂商外，还有初创公司和财富 500 强企业。估值也一样，公告文本里没有附上可对照的第三方数据。
从数据标注到 agent 平台：三章业务与下一章的算力
按官方博客的划分，Labelbox 走过三章。第一章是数据：为构建 AI 的人做软件，把专家判断变成训练数据，博客称许多头部科技公司用它的平台做全公司范围的后训练项目。第二章是环境：ChatGPT 时刻之后，最有能力的模型不再只从样本中学习，而是靠练习真实工作变强，Horizon 就是在这个阶段长出来的。第三章是 agent，也是刚启动的一章——先在自己公司内部用起来，再作为产品开放。
创始人自述回顾了公司的来历：2018 年，博客作者与 Brian、Dan 三人创立 Labelbox；作者此前做硬件，从风力发电系统做到国际空间站的实验室，后来在 DroneDeploy 和 Planet Labs 工作时看到，机器学习的机会大头在数据一侧——要有人知道「好」长什么样，才能把数据变成模型学得进去的东西。
钱的具体去向，通稿写的是支持 Horizon 与 Recursion Managed Agents 的持续研发，以及扩充把产品带给客户的团队。博客补充了更结构化的说法：公司自建 agent harness，为超长程（ultra-long-horizon）agent 设计；自建沙箱基础设施，运行数百万台虚拟机，同时支撑 Horizon 和 Recursion；自建强化学习后训练基础设施；并运营着一个超过 400 万人的专家网络，博客称其为全球最大规模之一。按博客的说法，正因为每一层都握在自己手里，才能把它们当作一个系统来共同设计和优化。
最后是算力。博客写道：“算力的获取随着每一章变得越来越重要，它将是下一章的核心。”公司还点出领投方带来的具体资源：Infinitum 的 John Yetimoglu 是 Groq 的早期投资人，目前参与 GroqCloud 大规模算力基础设施建设——博客说，很高兴让这份经验与自己同行。