Labelbox залучила понад $100 млн у раунді Series E за оцінки компанії в $1,25 млрд, щоб розвивати навчання з підкріпленням і ШІ-агентів

14 жовтня 2026 року Labelbox повідомила, що залучила понад $100 млн у раунді фінансування Series E за попередньої грошової оцінки в $1,25 млрд. Раунд очолила Infinitum Partners; він поєднує інвестиції в капітал із кредитною лінією.

Серед інших учасників раунду були Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures і Snowpoint Ventures. Генеральний директор і співзасновник Manu Sharma розповів про умови фінансування в дописі в корпоративному блозі. Компанія заявила, що кошти підуть на подальші дослідження та інженерні розробки для двох її основних продуктів — Horizon і Recursion Managed Agents, а також на розширення команд, які впроваджують ці продукти для клієнтів. Sharma написав, що доступ до обчислювальних ресурсів матиме ключове значення для наступного етапу розвитку компанії, зазначивши, що John Yetimoglu з Infinitum був раннім інвестором Groq, а тепер бере участь у створенні великомасштабної обчислювальної інфраструктури в GroqCloud.

Позиція компанії та історія

Labelbox повідомила, що у 2026 році досягла прибутковості, водночас збільшивши масштаби діяльності більш ніж уп’ятеро порівняно з попереднім роком. За даними компанії, у неї понад 400 клієнтів, зокрема понад 90% провідних лабораторій ШІ у США; серед її клієнтів — передові лабораторії ШІ, гіпермасштабні хмарні провайдери, стартапи та компанії зі списку Fortune 500.

Sharma, Brian і Dan заснували Labelbox у 2018 році. У зверненні засновника Sharma написав, що приїхав до США, аби навчитися проєктувати й будувати літаки та ракети, і працював над обчислювальною гідродинамікою та нейронними мережами. За його словами, пізніша робота в DroneDeploy і Planet Labs показала йому, яка значна частина можливостей у машинному навчанні пов’язана з даними.

У дописі історію компанії поділено на три етапи: програмне забезпечення для роботи з навчальними даними для тих, хто створює ШІ; середовища навчання з підкріпленням, розроблені після того, що Sharma називає моментом ChatGPT, коли найпотужніші моделі почали вдосконалюватися, виконуючи реальні завдання; і агенти, яких компанія спершу створила для власних потреб, а потім відкрила систему для клієнтів.

Sharma також написав, що Labelbox самостійно створює кожен рівень своєї платформи: інфраструктуру для агентів, розраховану на надзвичайно тривалі завдання; пісочницю, у якій працюють мільйони віртуальних машин; власну інфраструктуру для подальшого навчання з підкріпленням; і мережу експертів, що налічує понад 4 мільйони людей.

Середовища навчання з підкріпленням Horizon

За словами компанії, система WorldSim від Horizon створює симульовані компанії з кодом, інформаційними панелями, електронними таблицями, презентаціями та документами, наповненими реалістичними бізнес-даними. У такому середовищі модель від початку до кінця виконує складне багатоетапне завдання, а кожен крок фіксується як траєкторія. Детерміновані засоби перевірки щоразу однаково оцінюють кожну траєкторію. Якщо обидві траєкторії правильні, уподобання експерта навчає модель тому, що Sharma називає чуттям. Компанія описує роботу в масштабі тисяч світів і мільйонів оцінених траєкторій, налаштованих відповідно до цільових показників pass@k лабораторії для програмування, роботи з комп’ютером, досліджень, мультимодальних завдань і голосових задач.

На сторінці продукту Horizon перелічено такі сфери застосування: автономні дослідження за допомогою ШІ, програмування агентів та розробка програмного забезпечення, мультимодальна інтелектуальна робота, голосова взаємодія з використанням інструментів агентами, робота з комп’ютером і кібербезпека. Sharma написав, що Labelbox тепер співпрацює з 90% провідних передових лабораторій ШІ та гіпермасштабних хмарних провайдерів.

Керовані агенти Recursion

У повідомленні про фінансування зазначено, що раніше в жовтні 2026 року Labelbox відкрила Recursion Managed Agents для корпоративних клієнтів. Згідно з задумом продукту, керований агент отримує мету, тригер — наприклад, розклад, сповіщення, повідомлення в Slack, вебхук або виклик API — і критерії, що визначають, якою має бути якісно виконана робота. Окремий агент-оцінювач перевіряє кожен запуск за цими критеріями, пункт за пунктом, і наводить докази на підтвердження кожного висновку; якщо результат не відповідає вимогам, агент його доопрацьовує.

Агенти можуть працювати в трьох режимах: мультиагентному, коли координатор послідовно залучає спеціалізованих агентів, кожен із власною моделлю, інструкціями, інструментами та дозволами; командному, коли копії агента розподіляють роботу на спільній дошці й перевіряють результати одне одного; та автоматичному — режимі за замовчуванням, у якому агент сам вирішує, чи потрібні для завдання спеціалізовані агенти або команда.

За словами компанії, агенти працюють із понад 100 бізнес-застосунками та будь-яким сервером MCP. Для кожного інструмента визначено рівень доступу: лише читання, внесення змін до даних або руйнівні дії. Облікові дані зберігаються у сховищі, тож модель ніколи їх не бачить. Сеанси виконуються в ізольованих пісочницях, а Labelbox заявляє, що платформа не зберігає дані в жодного постачальника LLM. Зазначена компанією програма відповідності вимогам охоплює SOC 2 Type II, GDPR, CCPA, NIST 800-171 і PCI DSS. Оплата стягується за годину сеансу агента; витрати на обчислення та модель об’єднано в одну попередню оцінку, а чинні корпоративні клієнти Labelbox одноразово отримують кредит у розмірі $100.

Описуючи внутрішнє впровадження продукту в дописі про запуск продукту від 8 жовтня 2026 року, Labelbox написала: «Несподіваним було не те, що агенти могли виконувати роботу. А те, як швидко вони навчилися робити це краще». Компанія повідомляє, що використовує 51 агента в 11 командах, які працюють у сферах розробки програмного забезпечення, надійності, безпеки, досліджень машинного навчання, оцінювання, розробки продукту, фінансів, продажів, стратегії та закупівель.

В одному внутрішньому прикладі Labelbox повідомила, що агент перевірки запитів на злиття провів 39 оцінюваних перевірок на одній версії агента й моделі. Із 33 перевірок, які пройшли оцінювання, медіанні витрати знизилися з $13.15 за перші 11 перевірок до $8.90 за останні 11 — на 32% менше за перевірку. Водночас пам’ять агента оновлювалася 15 разів, а тривалість однієї перевірки залишалася на рівні близько 27 хвилин. Згідно з механікою пам’яті продукту, коли накопичуються п’ять нових звітів про сесії, але не частіше ніж раз на годину, агент-куратор опрацьовує їх і оновлює пам’ять агента; клієнти можуть переглядати, чого навчився агент, і видаляти будь-який урок, який більше не актуальний.