Snorkel AI ने $350M Series E को $3.5B वैल्यूएशन पर जुटाया, AI डेटा के लिए Frontier Lab बनाने हेतु

Snorkel AI ने 22 सितंबर, 2026 को $350 मिलियन की Series E फाइनेंसिंग $3.5 बिलियन वैल्यूएशन पर घोषित की, एक कंपनी ब्लॉग पोस्ट में जिसे सह-संस्थापक और सीईओ Alex Ratner ने लिखा। Insight और S32 ने इस राउंड का नेतृत्व किया।

भागीदारी में Third Point, March, Blumberg, Allegis, Standard VC, और Frontline शामिल थे, साथ ही मौजूदा निवेशकों Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures, और Factory भी थे।

Ratner ने कहा कि कंपनी की डेटा‑एज़‑ए‑सर्विस पेशकश, जो लगभग एक साल पहले लॉन्च हुई थी, 18× से अधिक बढ़ी है और घोषणा के सप्ताह में $375 मिलियन वार्षिक राजस्व रन‑रेट को पार कर गई। उन्होंने कहा कि Snorkel अब Frontier Labs, हाइपरस्केलर्स, नियोलैब्स, वर्टिकल AI लीडर्स, एंटरप्राइज़ेज, और यू.एस. सरकारी एजेंसियों के साथ साझेदारी करता है।

पूर्व फंडिंग और कंपनी पृष्ठभूमि

Series E, Snorkel की $100 मिलियन Series D $1.3 बिलियन वैल्यूएशन पर, के बाद आया, जिसे 29 मई, 2025 को जारी की गई कंपनी रिलीज़ में घोषित किया गया। Addition ने उस राउंड का नेतृत्व किया, जिसमें Prosperity 7 Ventures, मौजूदा निवेशक Greylock और Lightspeed, और रणनीतिक निवेशक जैसे BNY और QBE Ventures ने भाग लिया। 2025 की रिलीज़ में कहा गया कि इस राउंड ने Snorkel की कुल फंडिंग को कंपनी की 2019 की स्थापना से $237 मिलियन तक पहुंचा दिया।

वह रिलीज़, Redwood City, California की डेटलाइन के साथ, ने Snorkel Evaluate और Snorkel Expert Data‑as‑a‑Service की सामान्य उपलब्धता की घोषणा भी की, जो कंपनी के AI डेटा डेवलपमेंट प्लेटफ़ॉर्म पर विशेष AI सिस्टमों के मूल्यांकन और ट्यूनिंग के लिए दो नई पेशकशें हैं। इसमें कहा गया कि Series D पूँजी कंपनी की इंजीनियरिंग, अनुसंधान, और गो‑टू‑मार्केट प्रयासों के विस्तार को समर्थन देगी।

डेटा 2.0 और एजेंटिक डेटा प्लेटफ़ॉर्म

Ratner की पोस्ट नई फाइनेंसिंग को उस अवधारणा के इर्द‑गिर्द प्रस्तुत करती है जिसे वह Data 2.0 कहता है। उन्होंने लिखा कि Snorkel लगभग एक दशक पहले स्टैनफ़ोर्ड में एक शोध परियोजना के रूप में शुरू हुआ, इस सिद्धांत पर कि AI प्रगति अधिक डेटा‑केंद्रित होती जाएगी और डेटा विकास को केवल स्टाफिंग और भीड़‑स्रोत अभ्यास के बजाय एक शोध और प्रौद्योगिकी समस्या के रूप में अध्ययन किया जाना चाहिए।

पोस्ट AI डेटा विकास के पहले मील को Data 1.0 के रूप में वर्णित करती है, जो सरल डेटा की बड़ी मात्रा द्वारा संचालित है और मुख्यतः स्टाफिंग और लॉजिस्टिक्स समस्या है, और अंतिम मील को Data 2.0 के रूप में, जो अधिक जटिल डेटा की गुणवत्ता द्वारा संचालित है और मुख्यतः एक शोध और प्रौद्योगिकी समस्या है। कोडिंग डेटा को उदाहरण के रूप में लेते हुए, यह कहता है कि फ्रंटियर रिइन्फोर्समेंट‑लर्निंग डेटासेट्स और पर्यावरण अब ऐसे सॉफ़्टवेयर समस्याओं के समान होना चाहिए जिनसे एक वरिष्ठ इंजीनियर कई दिनों या हफ़्तों तक जूझ सकता है, उत्पाद‑स्तर आउटपुट पर सूक्ष्म रिवॉर्ड सिग्नल पकड़ें, विशिष्ट मॉडल त्रुटि मोड को लक्षित करें, उन्नत मॉडलों द्वारा हैक या धोखा देने के प्रयासों का प्रतिरोध करें, और कई सौ गुणवत्ता‑नियंत्रण जाँचों को पास करें।

उस डेटा को उत्पन्न करने के लिए, पोस्ट एक आंतरिक एजेंटिक डेटा प्लेटफ़ॉर्म का वर्णन करती है जिसमें मानव विशेषज्ञों को विशेष AI मॉडल और एजेंट समर्थन देते हैं, कभी‑कभी कार्य प्रकार के अनुसार सैंकड़ों। ये एजेंट विशेषज्ञ स्केच को पूर्ण पर्यावरण और डेटा इंस्टेंस में विस्तारित करते हैं, मानव प्रयास को वितरणीय लक्ष्यों और मॉडल त्रुटि मोड की ओर निर्देशित करते हैं, लाइव फीडबैक और पोस्ट‑सबमिशन गुणवत्ता नियंत्रण प्रदान करते हैं, और उप‑घटकों को सही विशेषज्ञों के पास समीक्षा के लिए भेजते हैं। बड़े पैमाने पर मानव फीडबैक को फिर कमजोर सुपरविजन के रूप में उपयोग किया जाता है ताकि एजेंटों को मापा और सुधारा जा सके, एक संयोजित लूप जिसे Ratner RSI, यानी पुनरावर्ती स्व‑सुधार, डेटा इंजन कहते हैं।

Ratner ने बताया कि कोडिंग डेटा कार्य में, मानव विशेषज्ञ समीक्षा के साथ गुणवत्ता नियंत्रण चलाने वाले विशेष एजेंट वर्तमान में QC दक्षता को 50% से अधिक तेज़ करते हैं और समीक्षा सटीकता को 15 से अधिक अंक तक बढ़ाते हैं, तुलना में केवल ऑफ‑द‑शेल्फ LLMs का उपयोग करने वाले मानव समीक्षकों की बेसलाइन से। उन्होंने कहा कि स्केल्ड मानव फीडबैक को कमजोर सुपरविजन के रूप में लागू करने से वर्तमान में गैर‑विशेषीकृत फ्रंटियर LLM बेसलाइन की तुलना में 2× से अधिक सटीकता सुधार मिलता है, और ऐसे आंकड़े लूप के चलने के साथ लगातार सुधरते रहते हैं।

ओपन बेंचमार्क्स और शोध योजनाएँ

Snorkel ने यह भी कहा कि वह अपने Open Benchmarks Grants कार्यक्रम को काफी विस्तार देगा, जो ओपन, स्वतंत्र AI बेंचमार्क्स को फंड करता है। कार्यक्रम पृष्ठ बताता है कि यह प्रयास $3 मिलियन प्रतिबद्धता द्वारा ओपन‑सोर्स डेटासेट्स, बेंचमार्क्स, और मूल्यांकन कलाकृतियों को फंड करने के लिए समर्थित है, और आवेदन रोलिंग आधार पर समीक्षा किए जाते हैं। प्रस्तावों की समीक्षा शैक्षणिक और उद्योग शोधकर्ताओं की एक स्टेयरिंग कमेटी के इनपुट के साथ की जाती है, और पृष्ठ बताता है कि Snorkel कमेटी के निर्णयों को निर्देशित नहीं करता।

पृष्ठ पर सूचीबद्ध बेंचमार्क्स में Terminal‑Bench लाइन, University of Hong Kong के XLANG Lab के साथ OSWorld 2.0, UC Berkeley के RDI के साथ Agent’s Last Exam, UC Berkeley के SkyLab और UW‑Madison के साथ Continual Learning Bench, UW‑Madison, DARPA, और National Science Foundation के साथ SlopCode Bench, और University of Wisconsin और Princeton University के साथ Senior SWE‑bench शामिल हैं।

बेंचमार्क्स के अलावा, Ratner ने कहा कि Snorkel विशेष AI मॉडलों के समर्थन में भारी निवेश करने की योजना बना रहा है, लिखते हुए कि कंपनी अगले कई वर्षों में विश्व डेटा विकास का बढ़ता हुआ बड़ा हिस्सा विशेष AI पर केंद्रित होने की अपेक्षा करती है। उन्होंने यह भी कहा कि आने वाले वर्षों में Snorkel के अनुसंधान और विकास का एक महत्वपूर्ण हिस्सा AI संरेखण और सुरक्षा के लिए डेटा और पर्यावरण विकास पर केंद्रित रहेगा।