開源模型需求持續升溫。
從13億美元到30億美元，Applied Compute只用了大約四個月。
據 The Information 8月10日 報導，Applied Compute正在洽談新一輪融資，擬按約30億美元估值進行融資，較公司今年4月宣佈的13億美元投後估值增長超過一倍。
矽谷投資人Elad Gil正在洽談領投，本輪融資規模預計達到數億美元。
但交易尚未完成，具體條款仍可能變化；報導同時指出，目前尚不清楚30億美元估值是否包含本輪新增資金。
因此，這不是一筆“已經完成”的30億美元融資。更準確的表述是：Applied Compute正在按約30億美元估值洽談新一輪融資。
更值得注意的是，Applied Compute的收入增長速度比估值還快。
知情人士稱，公司目前年化收入（annualized revenue / run-rate）約為5000萬美元。
2025 年11月23日，CEO Yash Patil 曾在X上披露，公司成立約六個月時的年化收入為1280萬美元。按這一口徑計算，不到九個月時間，年化收入增長了約3.9倍。
這裡的“年化收入”不是已經實現的完整年度營收，而是把當前收入水平折算成一年後的運行率。
對高速增長的初創公司，它可以反映業務速度，但不能直接等同於審計後的全年收入。
如果只做一個粗略的趨勢比較，13億美元到約30億美元意味著估值約增長2.3倍，而1280萬美元到約5000萬美元意味著年化收入約增長3.9倍。
用當前30億美元估值除以5000萬美元年化收入，得到的run-rate估值倍數約為60倍。
由於收入時點、融資估值口徑以及“是否含新錢”都不完全一致，這只能用來觀察趨勢，不能當成嚴格的財務估值。
Applied Compute為什麼能在四個月後再次談到更高估值，關鍵不在於它又造了一個基礎大模型。
公司的定位更接近“企業 AI 的專屬訓練層”。
Applied Compute官網把自己定義為用於模型訓練、推理和持續改進的雲平台：企業把自己的資料、業務規則和專家經驗交給系統，再基於開放模型訓練出只為該企業服務的專屬模型和 Agent。
The Information將這一波需求概括為open-source models；Applied Compute官網目前更常用open models和open-weight models。
其平台支援從10億到1兆以上參數規模的開放權重模型，並允許企業在Applied Compute雲端或自己的VPC中部署。
它賣的不是“再訂閱一個聊天機器人”，而是把通用模型變成企業內部可以反覆訓練、持續改進的生產系統。
這套模式的核心技術之一，是強化學習（Reinforcement Learning，RL）後訓練。
簡單說，企業先把“什麼算做對”告訴系統：那些答案符合業務標準、那些步驟應該被獎勵、那些行為必須被懲罰。
Applied Compute 再把這些標準轉成自動評測器和獎勵訊號，讓模型在一次次任務中學習更接近企業專家的判斷。
當模型進入生產環境後，真實使用者的修改、重試、工具呼叫、人工反饋又可以繼續變成訓練資料。
Applied Compute官網把這個閉環概括為Train、Serve、Improve——訓練、部署，再持續改進。
三位創始人的 OpenAI 背景，正好對應這三塊能力。
Yash Patil曾是OpenAI Codex智能程式設計項目的重要成員；Rhythm Garg是首個RL訓練推理模型o1的核心貢獻者；Linden Li則參與了強化學習訓練所需的機器學習系統和基礎設施建設。
三人在 2025 年創辦Applied Compute。
換句話說，這支團隊把在前沿模型實驗室裡積累的Agent、推理和訓練基礎設施經驗，轉向了企業模型定製。
DoorDash是這套模式已經落地的一個具體案例。
DoorDash在商家入駐時，需要把照片、PDF和文字菜單自動轉換成結構化菜單。
多數菜單可以被現有AI系統處理，但真實世界裡總有一批格式混亂、層級複雜的“長尾菜單”，需要人工質量團隊反覆修正。
Applied Compute與DoorDash先把人工稽核員的質量標準轉成自動 grader，再用這個grader作為強化學習的獎勵函數，訓練新的菜單糾錯模型。
Applied Compute官方案例顯示，A/B測試中低品質菜單佔比相對基線下降約30%，自動化流程累計節省超過1000小時人工時間。
該糾錯模型隨後被部署到DoorDash在美國的全部菜單流量中。
這個案例解釋了Applied Compute的商業模式為什麼不只是“諮詢”。
前端需要研究人員與客戶一起把隱性的業務經驗拆成可訓練的標準，後端則持續消耗訓練和推理算力。
The Information稱，公司既向企業收取模型定製諮詢費用，也向這些企業收取在其基礎設施上運行模型的計算費用。
只要專屬模型進入生產環境，新的使用者行為和業務資料就會繼續產生訓練訊號，形成“定製—部署—使用—再訓練”的循環。
開放模型需求升溫，為這套循環提供了更大的市場入口。
The Information指出，越來越多企業希望通過使用和定製開放模型降低AI成本，而不是把所有呼叫都交給Anthropic、OpenAI等閉源模型供應商。
這股需求同時推動了OpenRouter、Baseten、Fireworks等不同層級的 AI 基礎設施公司。
Applied Compute想佔住的是其中的“專屬化”位置：模型可以更換，但企業自己的資料、評測標準、工作流和生產反饋會不斷積累。
8 月 5 日，Applied Compute 還公佈了與輝達的後訓練合作。
公司稱，已經在軟體工程、金融服務、物流和AI原生公司等生產場景中部署定製版NVIDIA Nemotron開放模型，並向輝達反饋強化學習訓練結果和真實生產負載資料。
這說明所謂“開源需求”並不只是把一個更便宜的模型換進API。
真正的方向，是企業開始圍繞開放模型建立自己的訓練、評測、推理和持續學習體系。
Applied Compute今年4月剛完成8000萬美元融資，投後估值13億美元，由Kleiner Perkins領投，Elad Gil、Lux Capital、Greenoaks、Neo、Hanabi等繼續參與。
該輪完成後，公司累計融資達到1.6億美元。
更早的投資者還包括Benchmark和Sequoia Capital。
四個月後，公司又開始洽談數億美元融資。
如果新一輪最終接近報導中的30億美元估值，這意味著資本正在繼續給“企業專屬模型 + 開放模型基礎設施”定價。
真正值得觀察的，不只是Applied Compute的估值能否再次翻倍，而是企業使用AI的方式是否正在發生變化：從“購買最強通用模型的呼叫次數”，轉向“用自己的資料和工作流訓練一套屬於自己的模型”。
如果基礎模型越來越充足，真正稀缺的資源可能不再只是模型本身，而是企業內部的資料、評測標準、專家判斷和真實生產反饋。
Applied Compute想做的，就是把這些原本留在人腦和流程裡的經驗，變成可以持續寫進模型權重的資產。 (創新觀察局)