智东西

编译 | 杨京丽

编辑 | 李水青

智东西 9 月 2 日消息，今日，据《福布斯》援引两名知情人士消息，美国 AI 训练数据初创公司 AfterQuery 估值已达到32 亿美元（约合人民币 215 亿元）。一名知情人士称，该公司目前已经实现盈利，并为新一轮融资确定了领投方。具体融资金额及投资方身份尚未公布，AfterQuery 对此拒绝置评。

五个月前，AfterQuery 的估值还只有3 亿美元（约合人民币 20 亿元），其估值在五个月内增长约 10 倍。AfterQuery 曾入选 YC 2025 年冬季创业加速项目，YC 合伙人格斯塔夫 · 阿尔斯特罗默（Gustaf Alstr ö mer）称，该公司从成立到跻身独角兽仅用了约 18 个月，是 YC 历史上完成这一跨越速度最快的创业公司。

AfterQuery 于 2025 年 2 月成立，总部位于美国旧金山，并入选 YC 2025 年冬季批次。该公司联合创始人斯宾塞 · 马蒂加（Spencer Mateega）和卡洛斯 · 乔治斯库（Carlos Georgescu）创办 AfterQuery 时仍在读大学，在尝试开发金融 Agent 一段时间后，他们将公司转向为前沿大模型提供专家推理数据、强化学习环境和模型评测服务。

AfterQuery 称，其平台已汇集近10 万名专业人士。今年 7 月，马蒂加在 X 平台发文称，该公司年化收入规模已达到今年 4 月披露的 1 亿美元（约合人民币 6.72 亿元）的数倍。

马蒂加发文称其营收达到数亿美元（图源：X）

据《福布斯》报道，AfterQuery 的数据已被用于英伟达 Nemotron 3 Ultra 模型训练，该公司还与Thinking Machines Lab、法律 AI 公司 Legora 及部分中国 AI 实验室开展合作。

从两个大学生的 YC 项目到估值 215 亿元的独角兽，AfterQuery 的快速增长折射出 AI 训练数据市场的变化：大模型公司的需求正从简单的基础标注，转向由专业人士提供的复杂任务数据。

一、高中相识、一起进 Meta 实习，从金融 Agent 转做大模型训练数据

AfterQuery 的两名联合创始人斯宾塞 · 马蒂加和卡洛斯 · 乔治斯库分别为 23 岁和 22 岁，加入 YC 时仍在读大学，当时既没有产品，也没有确定具体的创业方向。

经过转型，AfterQuery 将自身定位为一家服务基础模型开发的应用研究实验室，主要为前沿大模型提供由专业人士创建的推理数据、强化学习环境及模型评测服务，而非传统的数据标注业务。AfterQuery 目前团队规模约为 30 人。

AfterQuery 团队成员（图源：AfterQuery）

AfterQuery 的两名核心创始人相识于高中时期。当时，两人参加了谷歌举办的计算机科学暑期项目，随后又一起进入 Meta 实习。

AfterQuery 联合创始人兼 CEO 马蒂加曾在 Meta 和谷歌从事软件工程工作，还曾进入摩根士丹利科技投资银行部门以及私募股权投资机构 Silver Lake 实习。他在宾夕法尼亚大学沃顿商学院取得金融与统计学学士学位，同时还获得宾夕法尼亚大学计算机科学硕士学位。

联合创始人兼 CEO 马蒂加的工作经历（图源：领英）

联合创始人兼 CTO 乔治斯库曾在加拿大不列颠哥伦比亚大学，学习计算机科学。在校期间，他创办并出售了一家教育科技公司，曾在 Meta 担任软件工程师，还两度进入量化交易公司 Citadel Securities 实习。加入 YC 后，尚有一年学业未完成的乔治斯库决定退学创业。

联合创始人兼 CTO 乔治斯库的工作经历（图源：领英）

据《福布斯》报道，2025 年初，两人在 YC 申请截止前用 48 小时提交了材料。当时他们没有产品，也没有明确的创业方向，只确定要前往旧金山进入 AI 行业。入选 YC 后，两人最先尝试为金融行业开发 AI Agent，希望让模型自动完成投资分析等专业工作。

不过在测试过程中，他们发现，即使是当时最领先的大模型，在复杂的白领工作流程中仍频繁失败。问题不完全在模型架构，而在于模型没有接受过足够的专业工作训练，不知道从业者如何处理信息不完整、标准模糊或者需要结合经验作出判断的任务。

两人因此决定转型，不再直接开发建立在大模型之上的金融应用，而是为大模型提供底层训练数据。他们开始收集金融、软件工程、法律和医疗等领域专家的判断过程与逐步推理数据，希望把专业人士长期积累的隐性知识转化为模型可以学习的材料。

二、高质量数据需求量大，五个月估值增长 10 倍

今年 4 月，AfterQuery 完成了一笔 3000 万美元（约合人民币 2.02 亿元）A 轮融资，投后估值为 3 亿美元（约合人民币 20 亿元）。该轮融资由 Altos Ventures 领投，The Raine Group、Y Combinator、BoxGroup 和 Latitude Capital 参投，投资人还包括来自谷歌 DeepMind、OpenAI、Anthropic、Meta 超级智能实验室和微软 AI 的个人投资者。

若《福布斯》此次披露的 32 亿美元估值确认，意味着 AfterQuery 的估值在五个月内增长了约 10 倍。

拉动 AfterQuery 快速增长的，是前沿 AI 公司对高质量训练数据的需求。通用大模型已经消化了互联网上大量可公开获取的文本、图像和代码，而通过模型生成的合成数据也存在质量边界。

为了让模型完成金融分析、软件开发、法律审查和医疗判断等专业任务，AI 实验室需要进一步获得专业人士在真实工作中作出判断、处理例外情况和使用软件工具的完整过程。

因而，过去主要依靠大量低成本人员完成的数据标注，逐渐转变为由软件工程师、律师、金融分析师和医生等专业人士参与的 " 推理数据 " 业务。数据供应商出售的不再只是简单的分类标签，而是专家处理复杂任务时的思考过程、操作轨迹、判断标准和反馈结果。

人类数据也由此成为 AI 创业领域估值增长最快的方向之一。Scale AI 创始人汪滔（Alexandr Wang）曾凭借数据标注业务成为全球最年轻的白手起家亿万富豪。另一家 AI 数据公司 Mercor 的三名创始人随后以 22 岁的年龄刷新这一纪录。据 The Information 8 月报道，Mercor 正在与英伟达洽谈新一轮融资，目标估值达到 200 亿美元（约合人民币 1344 亿元）。

三、聚集近 10 万名专业人士，用定制软件系统验证数据

AfterQuery 称，其平台汇集了近 10 万名经过验证的专业人士，覆盖工程、医疗、法律和金融等领域。这些从业者负责提供专业判断、操作过程和任务反馈，帮助模型学习仅靠公开网络数据难以掌握的实际工作经验。

该公司提供的产品包括监督微调及人类反馈强化学习数据、工具调用和电脑操作强化学习环境，以及定制训练集与模型评测。例如，AfterQuery 可以基于真实 API、MCP 服务器和开发工具搭建训练环境，让 AI Agent 学习调用工具、处理错误并完成多步骤任务。

马蒂加今年 4 月接受《福布斯》采访时称，AfterQuery 与 Mercor 等同行的区别，在于其使用定制软件系统，验证人类生成的数据。系统会进行多轮检查，将任务难度控制在适中区间：既能对先进模型构成挑战，又不至于让模型完全无法作答。

AfterQuery 还会在交付数据前自行运行后训练流程，观察数据能否提升模型的基准测试成绩。马蒂加称，这可以让客户在查看数据前，先通过模型表现的变化判断数据质量。

四、进入英伟达大模型训练，法律评测集覆盖 5161 个案例

AfterQuery 的数据已经进入前沿模型的实际训练流程。今年 6 月，英伟达发布的 Nemotron 3 Ultra 技术报告显示，其使用 AfterQuery 提供的办公与职场任务数据训练模型，相关数据覆盖基于文件的推理、专业交付物生成、多步骤分析和结果评判。AfterQuery 称，他们是该技术报告中唯一被点名的数据合作方。

英伟达 Nemotron 3 Ultra 的部分训练中使用 AfterQuery 提供的数据（图源：英伟达）

AfterQuery 称，在英伟达的一项消融实验中，加入相关预热训练后，Nemotron 3 Ultra 在真实职业任务评测集 GDPval 上的成绩从 35.3 分提升至 46.7 分，GDPval 覆盖美国国内生产总值规模最大的九个行业、44 种职业和 1320 项真实工作任务。

在法律领域，AfterQuery 与法律 AI 创业公司 Legora 共同开发了 Agent 推理评测基准 BAR。该评测集包含 28 个法律业务领域的 5161 个案例和 11075 份源文件，用于测试 AI Agent 能否在 Legora 的工具环境中完成端到端法律工作。Legora 称，根据该评测发现的问题调整系统后，其产品在相同模型上的输出质量一个月内提高了 5%。

据《福布斯》报道，AfterQuery 曾与 OpenAI 前首席技术官米拉 · 穆拉蒂（Mira Murati）创办的 Thinking Machines Lab 合作。与部分美国 AI 数据供应商不同，AfterQuery 也和一些中国 AI 实验室保持着密切合作。

结语：数据标注正转向 " 专家经验工程 "

AfterQuery 的估值变化显示，AI 数据行业的竞争重点正在发生变化。随着公开互联网数据的价值逐渐被挖掘，数据供应商开始从提供规模化基础标注，转向收集专业人士的判断和隐性经验，并进一步提供强化学习环境和模型评测系统。

不过，高估值并不意味着已经建立稳固壁垒。AI 实验室的数据需求和供应商名单可能快速变化。AfterQuery 能否持续保持增长，最终仍取决于其能否稳定获得专业人士供给、用软件控制数据质量，并持续证明这些数据能够让模型取得可量化的能力提升。

来源：AfterQuery、《福布斯》、X、领英