Snorkel AI samlar in $350 M i Serie E med en värdering på $3,5 B för att bygga Frontier Lab för AI‑data

Snorkel AI meddelade en finansiering på $350 miljoner i Serie E med en värdering på $3,5 miljard den 22 september 2026 i ett företagsblogginlägg skrivet av medgrundare och VD Alex Ratner. Insight och S32 ledde rundan.

Deltagande kom också från Third Point, March, Blumberg, Allegis, Standard VC och Frontline, tillsammans med befintliga investerare Addition, Lightspeed, Greylock, GV, P7, Wells Fargo, Walden Catalyst Ventures och Factory.

Ratner sade att företagets data‑som‑tjänst‑erbjudande, som lanserades för nästan ett år sedan, hade vuxit med mer än 18‑fald och passerade en årlig intäktsnivå på $375 miljoner under veckan för annonseringen. Han sade att Snorkel nu samarbetar med frontier‑lab, hyperscalers, neolabs, vertikala AI‑ledare, företag och amerikanska myndigheter.

Tidigare finansiering och företagets bakgrund

Serie E följer Snorkels $100 miljoner i Serie D med en värdering på $1,3 miljard, som meddelades i ett företagsmeddelande daterat 29 maj 2025. Addition ledde den rundan, med deltagande från Prosperity 7 Ventures, befintliga investerare Greylock och Lightspeed, samt strategiska investerare inklusive BNY och QBE Ventures. Det 2025‑meddelandet sade att rundan ökade Snorkels totala finansiering till $237 miljoner sedan företagets grundande 2019.

Det meddelandet, med datumstämpel Redwood City, Kalifornien, meddelade också generell tillgänglighet av Snorkel Evaluate och Snorkel Expert Data‑as‑a‑Service, två nya erbjudanden på företagets AI‑Data‑utvecklingsplattform för utvärdering och finjustering av specialiserade AI‑system. Det sade att kapitalet från Serie D skulle stödja expansion av företagets ingenjörs‑, forsknings‑ och marknadsföringsinsatser.

Data 2.0 och den agentiska dataplatformen

Ratners inlägg placerar den nya finansieringen i ramen för det han kallar Data 2.0. Snorkel började som ett forskningsprojekt vid Stanford för ungefär ett decennium sedan, skrev han, med tesen att AI‑framsteg kommer att bli allt mer datacentraliserade och att datuutveckling bör studeras som ett forsknings‑ och teknikproblem snarare än enbart en personal‑ och crowdsourcingsuppgift.

Inlägget beskriver den första milen av AI‑datadevelopment, benämnd Data 1.0, som drivs av stora volymer av enklare data och i huvudsak är ett personal‑ och logistikproblem, samt den sista milen, benämnd Data 2.0, som drivs av kvaliteten på mer komplex data och främst är ett forsknings‑ och teknikproblem. Med kodningsdata som exempel säger det att frontier‑förstärknings‑inlärningsdatamängder och miljöer nu måste efterlikna mjukvaruproblem som en senior ingenjör kan ha svårt att lösa i dagar eller veckor, fånga nyanserade belöningssignaler över produkt‑skala resultat, rikta in sig på specifika modellfel‑lägen, motstå försök från avancerade modeller att hacka eller fuska, och klara flera hundra kvalitetskontroller.

För att producera den datan beskriver inlägget en intern agentisk dataplatform där mänskliga experter stöds av specialiserade AI‑modeller och agenter, ibland hundratals per uppgiftstyp. Dessa agenter utvecklar expert‑skisser till fullständiga miljöer och data‑instanser, styr mänsklig insats mot fördelningsmål och modellfel‑lägen, ger live‑feedback och efterinlämnings‑kvalitetskontroll, samt dirigerar delkomponenter till rätt experter för granskning. Mänsklig återkoppling i skala används sedan som svag supervision för att mäta och förbättra agenterna, en kumulativ slinga som Ratner kallar en RSI‑ eller rekursiv självförbättringsmotor för data.

Ratner rapporterade att i kodningsdataprojekt accelererar specialiserade agenter som kör kvalitetskontroll parallellt med mänsklig expertgranskning för närvarande QC‑effektiviteten med mer än 50 % och förbättrar granskningsnoggrannheten med över 15 procentenheter jämfört med en baslinje av mänskliga granskare som endast använder standard‑LLM:er. Han sade att den skalade mänskliga återkopplingen som tillämpas som svag supervision ger en nuvarande förbättring på över 2‑faldig noggrannhet jämfört med en icke‑specialiserad frontier‑LLM‑baslinje, och att sådana siffror kontinuerligt förbättras när slingan körs.

Öppna benchmarkar och forskningsplaner

Snorkel sade också att de kommer att avsevärt expandera sitt Open Benchmarks Grants‑program, som finansierar öppna, oberoende AI‑benchmarkar. programmets sida anger att insatsen stöds av ett åtagande på $3 miljoner för att finansiera öppen källkod‑datamängder, benchmarkar och utvärderingsartefakter, och att ansökningar granskas löpande. Förslag granskas med input från en styrkommitté bestående av akademiska och industriella forskare, och sidan anger att Snorkel inte styr kommitténs beslut.

Benchmarkar som listas på sidan inkluderar Terminal‑Bench‑serien, OSWorld 2.0 med University of Hong Kong:s XLANG‑lab, Agent’s Last Exam med UC Berkeley:s RDI, Continual Learning Bench med UC Berkeley:s SkyLab och UW‑Madison, SlopCode Bench med UW‑Madison, DARPA och National Science Foundation, samt Senior SWE‑bench med University of Wisconsin och Princeton University.

Utöver benchmarkar sade Ratner att Snorkel planerar att investera kraftigt i stöd för specialiserade AI‑modeller, och skrev att företaget förväntar sig att en allt större andel av världens datautveckling kommer att fokusera på specialiserad AI under de kommande åren. Han sade också att en betydande del av Snorkels forskning och utveckling under de kommande åren kommer att fokusera på data‑ och miljöutveckling för AI‑justering och säkerhet.