1,1 млрд долларов двухмесячной компании за «свою модель»

11 августа компания River AI объявила о привлечении 1,1 млрд долларов при оценке около 5 млрд. Основатель — Игорь Бабушкин, сооснователь xAI; раунд возглавили General Catalyst и AMP PBC, среди инвесторов Nvidia, AMD Ventures, Y Combinator и Temasek, а сам основатель вкладывает до 100 млн собственных денег. Компании при этом около двух месяцев. Продукт — инструменты для построения персонализированных моделей на своих данных с постоянным дообучением; заявлено, что сложный цикл обучения с подкреплением проходит за 15–20 минут и не требует инфраструктурной команды. Сумма впечатляет, но для читателя тут другой вопрос: когда своя модель действительно нужна, а когда это дорогой способ решить задачу, которая решается промптом.

Что именно профинансировали

Идея, под которую подняли раунд, звучит так: модель, которую компания держит своей и непрерывно дообучает на собственных данных, вместо того чтобы обращаться к общей модели через API.

Ключевое обещание — не качество, а скорость цикла. Заявленные 15–20 минут на полный прогон обучения с подкреплением означают, что дообучение перестаёт быть проектом на квартал и становится рутинной операцией. Плюс отсутствие требования к собственной инфраструктурной команде — то есть снимается самый дорогой пункт сметы.

Заявлена и экономика: по утверждению компании, подход в два-четыре раза выгоднее закрытых альтернатив. Это утверждение вендора, не наш замер.

Почему это интересно за пределами новостей о деньгах

Полтора миллиарда в компанию возрастом два месяца — сюжет про рынок, а не про технологию. Но за ним стоит вопрос, который стоит перед каждой командой, строящей что-то на моделях.

Есть два способа получить от модели нужное поведение.

Объяснить в промпте. Быстро, дёшево, меняется за минуту, не требует данных. Работает удивительно далеко — дальше, чем принято думать.

Обучить модель. Долго, дороже, требует размеченных данных, но даёт то, что промптом не выразить: устойчивый стиль, знание внутренней предметной области, поведение в редких ситуациях.

Индустрия качается между этими полюсами. Пару лет назад дообучение считалось обязательным этапом, потом модели стали настолько хороши, что промпта хватало почти везде. River AI ставит на обратный поворот — и получает под это деньги.

Когда своя модель действительно нужна

Четыре ситуации, в которых обучение оправдано. Если ваша задача не попадает ни в одну — почти наверняка хватит API.

Данные нельзя выпускать наружу. Медицина, финансы, гостайна, чужие персональные данные под договором. Здесь вопрос стоимости вторичен.

Узкая задача, повторяющаяся миллионы раз. Классификация одного типа документов, разбор одного формата. Маленькая обученная модель делает это дешевле и быстрее большой универсальной — и разница набегает на объёме.

Стиль, который не описать словами. Голос бренда, отраслевой жаргон, формат, который «выглядит правильно» и не формализуется в инструкцию. Проще показать тысячу примеров, чем написать регламент.

Поведение в редких ситуациях. Модель должна знать, что делать в случаях, которых нет в открытых данных, потому что они специфичны для вашей компании.

Стоит добавить пятый пункт, о котором вспоминают позже всех: задержка. Маленькая обученная модель отвечает быстрее большой универсальной, и если ваш сценарий упирается во время ответа, это иногда решающий довод. Правда, до обучения тут стоит проверить более дешёвые способы ускориться — они разобраны отдельно.

Когда достаточно API

Обратный список, и он длиннее.

Задача формулируется словами. Если вы можете объяснить требуемое поведение новому сотруднику за десять минут, вы объясните его и модели.

Требования меняются. Промпт правится за минуту, дообучение — за цикл. На нестабильных требованиях обучение устаревает раньше, чем окупается.

Объём небольшой. Обучение имеет постоянную стоимость независимо от того, сколько запросов вы потом сделаете. На малых объёмах она не размазывается.

Нужно несколько разных моделей. Переключаться между семействами под разные задачи через один API проще, чем содержать несколько своих.

Практическая проверка стоит дёшево: прогнать сотню своих реальных запросов через пару моделей из каталога и посмотреть, чего не хватает. Ставки — от 3 ₽ за миллион токенов у GLM до 180 ₽ у Fable 5, то есть эксперимент обходится в рубли. Как разложить это в бюджет, разбирали в материале про стоимость миллиона токенов в рублях.

Если задача не в инженерии, а в контенте — тексты, картинки и видео под соцсети, — то и промптами заниматься не обязательно: для этого у нас есть отдельный сервис TrendMix, где вся машинерия уже собрана.

Что стоит между промптом и обучением

Выбор на самом деле не бинарный, и промежуточные варианты закрывают большую часть случаев, ради которых люди начинают думать про обучение.

Примеры прямо в запросе. Несколько образцов правильного ответа внутри промпта дают модели тот самый стиль, который «не описать словами». Работает мгновенно, правится мгновенно, стоит только токенов.

Подстановка знаний из своей базы. Модель не обязана знать вашу предметную область — достаточно найти нужные документы и положить их в контекст. Это закрывает, наверное, большинство ситуаций, где кажется, что нужно дообучение на внутренних данных.

Разбиение на шаги. Одна задача, которая модели не даётся целиком, часто распадается на три, каждая из которых даётся легко. Дешевле любого обучения.

Модель поменьше на узкой задаче. Прежде чем обучать свою, стоит проверить, не справится ли лёгкая готовая. Разрыв в цене между флагманом и лёгкой моделью в каталоге — сорокакратный, а на простой классификации разрыва в качестве может не быть вовсе.

Порядок действий получается такой: промпт → примеры → своя база знаний → разбиение → маленькая модель → и только потом обучение. Каждый шаг дешевле следующего и закрывает часть случаев. До последнего пункта доходят немногие, и это нормально.

Чего мы не утверждаем

Не оцениваем продукт. Мы его не пробовали. Заявления о 15–20 минутах на цикл и о выигрыше в два-четыре раза — слова компании.

Не даём инвестиционных оценок. Размер раунда приводим как факт рынка, а не как суждение о перспективах.

Не утверждаем, что промпты всегда дешевле. На большом объёме узкой задачи обученная модель обычно выигрывает — вопрос в том, где проходит граница для вас.

Моделей River AI в каталоге нет. На 14 августа там 36 позиций: Claude, GPT, Gemini, GLM, Grok, Kimi, Qwen и GPT Image.

Не утверждаем, что маятник действительно качнулся. Один раунд, пусть и крупный, — это ставка инвесторов, а не установленный факт про рынок.

Почему инвесторы ставят именно на это

Логика раунда становится понятнее, если посмотреть, чего не хватает нынешней схеме.

Сегодня почти вся индустрия построена так: несколько компаний обучают большие модели, все остальные обращаются к ним через API. Схема работает, но у неё есть свойство, неприятное для бизнеса, который на ней стоит, — никакого накопления. Ваша сотая тысяча запросов ничем не отличается от первой, модель не становится лучше именно для вас, и уйти к конкуренту ничего не стоит ни вам, ни вашему клиенту.

Идея непрерывного дообучения меняет это: чем дольше компания работает, тем точнее её модель под её задачи, и тем дороже переезд. Для владельца бизнеса это защита, для инвестора — то, ради чего вкладывают.

Отдельная деталь, объясняющая состав раунда: среди инвесторов Nvidia и AMD Ventures. Производителям ускорителей выгодно, чтобы обучение происходило у многих компаний, а не у нескольких. Это не заговор, а совпадение интересов, но при чтении новости его стоит держать в голове.

Что из этого получится, покажет год-другой. Пока для практики важнее другое: доступ к сильным моделям через API стоит рубли и доступен сегодня, а своя модель — проект с бюджетом и сроками.

Что держать в голове

Двухмесячная компания привлекла 1,1 млрд долларов под идею, что модель должна быть своей и постоянно дообучаться. Инвесторы ставят на то, что маятник качнётся обратно к обучению.

Для вашей задачи вывод независим от исхода этой ставки: сначала проверьте, решается ли она промптом на готовой модели. Проверка стоит рубли и занимает вечер, а расчёт окупаемости обучения — недели.

Как мы отделяем проверенное от предполагаемого — на странице о проекте. Один ключ ко всем 36 позициям, чтобы сравнить на своих запросах: keydealer.ru/login.