River AI samler 1,1 mia. dollars over Series Seed og Series A for at bygge en personlig AI-stack

River AI, startuppet xAI co-founder Igor Babuschkin tog ud af stealth den 10. juni 2026, har samlet 1,1 milliard dollars over sine Series Seed og Series A-runder, som virksomheden annoncerede den 11. august 2026. General Catalyst og AMP PBC ledede finansieringen, med strategisk investering fra Nvidia og AMD Ventures og deltagelse fra Y Combinator og Temasek.

River er to måneder efter lanceringen og har allerede en af de største tidlige finansieringer i år. Pengene støtter en usædvanlig teses: at AI-stakken, fra træning til modeller, produkter og hardware, skal genopbygges omkring personlige agenter, som mennesker ejer, snarere end intelligens lejet fra et par laboratorier.

“Måden, AI bygges i dag, er ikke, hvordan det vil blive bygget i fremtiden. AI skal være åben, frit tilgængelig og billig. Det skal føles, som om det arbejder for personen, der bruger det, ikke for laboratoriet, der trænede det. Vi startede River for at låte mennesker og virksomheder eje deres egen intelligens,” sagde Babuschkin, Rivers co-founder og CEO, i annonceringen.

Hvad River faktisk sælger først

Virksomhedens første produkt, der har været live siden lanceringen i juni, er River API, en træningstjeneste til åbne vægte-modeller. Den tilbyder LoRA-fine-tuning og forstærkning af læring på åbne modeller, der spænder fra 35 milliarder til 1 billion parametre, herunder Qwen3.6, Kimi K2.6 og GLM 5.2, med fakturering pr. million tokens for både træning og inferens i stedet for pr. GPU-time.

Salgsargumentet er rettet mod virksomheder, der ønsker modeller, der er formet omkring deres egen virksomhed, uden at skulle oprette en infrastrukturteam. River siger, at enhver virksomhed kan gennemføre en kompleks forstærket læring i 15 til 20 minutter uden infrastrukturteam, til to til fire gange lavere omkostninger i forhold til lukkede kildealternativer, og at trænede checkpoints tilhører kunden og deployes til et OpenAI-kompatibelt endpoint.

Prissiden sætter konkrete tal på måleren: træningsløb koster 1,00 dollar pr. million tokens på Qwen3.6 35B-modellen og 12,84 dollar pr. million på Kimi K2.6 ved en kontekstlængde på 262k, med checkpoint-lagring faktureret separat til 0,10 dollar pr. gigabyte pr. måned. Et arbejds eksempel på siden priser en fuld produktionsskala RL-løb på en matematisk dataset under 1.000 dollar.

Den længere væddemål bag runden

Babuschkin tilbragte omtrent et årti hos DeepMind, OpenAI og xAI, hvor han co-founded sidstnævnte og arbejdede med stor skala træning, før han startede River. I hans lanceringindlæg ramte han virksomheden mod den retning, frontier-laboratorierne er på vej: agenter, der erstatter arbejdere, udlejet pr. token.

“Kapable agenter vil være en normal del af hverdagslivet. Mindre som de assistenter, du kalder på i dag, når du har brug for en opgave, mere som værgeængler: stille til stede, på din side, hjælpende med, hvad der virkelig betyder noget for dig. De vil kende dig godt, og de vil være dine, ikke nogen andres,” skrev han.

Denne ramme, personliggørelse og kontinuerlig læring oven på en træning-API, med personlig hardware længere ude, er, hvad General Catalyst køber. “Amerikansk lederskab i AI kræver急 leadership i åbne vægte-modeller, samtidig med at man fastholder et føring i lukkede frontier-modeller. Igor og River AI-holdet har den erfaring, der skal til for at gøre dette,” sagde Hemant Taneja, General Catalysts CEO, i Rivers annoncering. Marc Bhargava, virksomhedens managing director, pegede på det kommercielle gap: virksomheder har manglet en omkostningseffektiv måde at træne, afstemme og eje brugerdefinerede modeller på, og River “lukker dette gap”.

AMP PBC, co-lead, sluttede sig til General Catalyst i at lede runden, ifølge Rivers annoncering. Nvidia og AMD Ventures, der tager strategiske aktier, sætter begge GPU-rivaler inden for samme kapitalstruktur som en virksomhed, hvis erklærede vejrkort ender med hardware, der kan køre personlig AI uden for en andens datacenter.

Hvor pengene lander

River siger, at finansieringen accelererer alle lag af sin stack på én gang: træning-API’et, der allerede er afskibet, et personliggørelse- og kontinuerlig-læring-produktlag, der stadig bygges oven på det, og nyt hardware, der skal låte personlig AI køre tæt på dens ejer. Stifterholdet trækker på xAI og Tesla-ingeniørerfaring, og virksomheden er ved at rekruttere.

Strukturen af runden er værd at bemærke i sig selv. En kombineret seed og Series A på denne størrelse, annonceret to måneder efter en lancering, med strategiske chip-investorer sammen med finansielle leads, giver River kapitalen til at konkurrere om træningscompute og forskningstalent mod frontier-laboratorierne, dens grundlægger kom fra. Om den personlige agent-tese holder, er en længerevarende spørgsmål; den umiddelbare forretning er en post-træning cloud for virksomheder, og den forretning har nu en milliarddollarsbane og to venturefirmaer bag det.