Snorkel AI henter $350 million i Series E med en verdivurdering på $3,5 milliarder for å bygge Frontier Lab for AI‑data

Snorkel AI kunngjorde en finansiering på $350 million i Series E med en verdivurdering på $3,5 milliarder den 22. september 2026, i et bedriftsblogginnlegg skrevet av medgründer og administrerende direktør Alex Ratner. Insight og S32 ledet runden.

Deltakelse kom også fra Third Point, March, Blumberg, Allegis, Standard VC og Frontline, sammen med eksisterende investorer Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures og Factory.

Ratner sa at selskapets data‑as‑a‑service‑tilbud, lansert for nesten ett år siden, hadde vokst med mer enn 18‑fold og passerte en årlig inntektsrate på $375 millioner i uken da kunngjøringen ble gjort. Han sa at Snorkel nå samarbeider med frontier‑labber, hyperskalere, neolabber, ledende vertikale AI‑selskaper, foretak og amerikanske myndighetsorganer.

Tidligere finansiering og selskapets bakgrunn

Series E følger Snorkels $100 million i Series D med en verdivurdering på $1,3 milliarder, kunngjort i en bedriftsmelding datert 29. mai 2025. Addition ledet den runden, med deltakelse fra Prosperity 7 Ventures, eksisterende investorer Greylock og Lightspeed, samt strategiske investorer inkludert BNY og QBE Ventures. Meldingen fra 2025 oppga at runden førte til at Snorkels samlede finansiering nådde $237 millioner siden selskapets grunnleggelse i 2019.

Den meldingen, med datolinje fra Redwood City, California, kunngjorde også generell tilgjengelighet av Snorkel Evaluate og Snorkel Expert Data‑as‑a‑Service, to nye tilbud på selskapets AI‑Datautviklingsplattform for evaluering og finjustering av spesialiserte AI‑systemer. Den oppga at Series D‑kapitalen vil støtte utvidelse av selskapets ingeniør-, forsknings‑ og markedsføringsarbeid.

Data 2.0 og den agentbaserte dataplattformen

Ratrens innlegg rammer den nye finansieringen inn rundt det han kaller Data 2.0. Snorkel startet som et forskningsprosjekt ved Stanford for omtrent et tiår siden, skrev han, med hypotesen om at AI‑fremgangen vil bli stadig mer datadrevet og at datautvikling bør studeres som et forsknings‑ og teknologiproblem snarere enn kun en bemannings‑ og crowdsourcing‑oppgave.

Innlegget beskriver den første delen av AI‑datautvikling, merket Data 1.0, som drevet av store mengder enklere data og i stor grad et bemannings‑ og logistikkproblem, og den siste delen, merket Data 2.0, som drevet av kvaliteten på mer komplekse data og hovedsakelig et forsknings‑ og teknologiproblem. Ved å bruke kode‑data som eksempel, sier det at frontier‑reinforcement‑learning‑datasett og -miljøer nå må etterligne programvareproblemer som en senioringeniør kan streve med i dager eller uker, fange opp nyanserte belønningssignaler over produkt‑skala‑utganger, målrette spesifikke modellfeil‑moduser, motstå forsøk fra avanserte modeller på å hacke eller jukse, og bestå flere hundre kvalitetskontroller.

For å produsere disse dataene beskriver innlegget en intern agentbasert dataplattform der menneskelige eksperter støttes av spesialiserte AI‑modeller og agenter, noen ganger hundrevis per oppgavetype. Disse agentene utvider ekspert‑skisser til fullstendige miljøer og datainstanser, leder menneskelig innsats mot fordelingsmål og modellfeil‑moduser, gir sanntids‑tilbakemelding og kvalitetssikring etter innlevering, og ruter delkomponenter til de rette ekspertene for gjennomgang. Menneskelig tilbakemelding i stor skala brukes deretter som svak supervisjon for å måle og forbedre agentene, en kumulativ sløyfe Ratner kaller en RSI‑ eller rekursiv selvforbedringsmotor for data.

Ratner rapporterte at i kode‑dataprojekter akselererer spesialiserte agenter som utfører kvalitetssikring ved siden av menneskelig ekspertvurdering nå QC‑effektiviteten med mer enn 50 % og forbedrer vurderingsnøyaktigheten med over 15 poeng sammenlignet med et grunnlag av menneskelige vurderere som kun bruker standard‑LLMer. Han sa at den skalerte menneskelige tilbakemeldingen som brukes som svak supervisjon gir en nåværende nøyaktighetsforbedring på over 2‑fold i forhold til et ikke‑spesialisert frontier‑LLM‑grunnlag, og at slike tall kontinuerlig forbedres etter hvert som sløyfen kjører.

Åpne referanserammer og forskningsplaner

Snorkel sa også at de vil betydelig utvide sitt Open Benchmarks Grants‑program, som finansierer åpne, uavhengige AI‑referanserammer. programmets side oppgir at innsatsen støttes av en forpliktelse på $3 millioner for å finansiere åpen‑kilde‑datasett, referanserammer og evalueringsartefakter, og at søknader vurderes fortløpende. Forslag vurderes med innspill fra et styringskomité bestående av akademiske og industrielle forskere, og siden oppgir at Snorkel ikke styrer komiteens beslutninger.

Referanserammer som er oppført på siden inkluderer Terminal‑Bench‑serien, OSWorld 2.0 med University of Hong Kong sitt XLANG‑lab, Agent’s Last Exam med UC Berkeley sitt RDI, Continual Learning Bench med UC Berkeley sitt SkyLab og UW‑Madison, SlopCode Bench med UW‑Madison, DARPA og National Science Foundation, samt Senior SWE‑bench med University of Wisconsin og Princeton University.

Utover referanserammer sa Ratner at Snorkel planlegger å investere tungt i støtte til spesialiserte AI‑modeller, og skriver at selskapet forventer at en stadig større andel av verdens datautvikling vil fokusere på spesialisert AI i løpet av de neste flere årene. Han sa også at en betydelig del av Snorkels forskning og utvikling i årene som kommer vil konsentrere seg om data‑ og miljøutvikling for AI‑justering og sikkerhet.