企业官网建设流程全解析

# 企业落地换打法：智能体从「写提示词」转向「被训练」，RL 训练层成为新赛道

一家靠「雇人给图片打框」起家的公司，现在最值钱的产品是一台「判卷机器」。10 月 14 日，Labelbox 宣布完成超过 1 亿美元 E 轮融资，投前估值 12.5 亿美元，Infinitum Partners 领投，a16z、B Capital、Wipro Ventures 等跟投。据官方博客，钱不再流向扩充标注团队，而是两件东西：Horizon，给前沿实验室造的强化学习训练环境；Recursion，给企业造的会自我改进的智能体军团。

公司公布的一个内部实验更有意思：一个 PR 审核智能体跑了 39 次、33 次通过判卷，头 11 次平均成本 13.15 美元，后 11 次降到 8.90 美元。这是公司口径的单次观察，不算严格实验，但它指向一个判断：企业智能体的瓶颈，已经不在模型够不够聪明，而在能不能被可靠地训练和考核。

上图：Labelbox 官网 Series E 公告原图，2026-10-14，来源：labelbox.com

为什么提示词救不了企业落地

HFS Research 与 TCS 的调研里，只有 35% 的受访者认为 AI 达到可靠性门槛；Copilot 类工具有 50% 的人觉得可靠，落到自主智能体只剩 20%；59% 的人能发现故障，只有 23% 能拦住它，而故障的头号来源是坏数据和坏集成，不是模型。Gartner 预测到 2027 年底超过四成的 Agentic AI 项目会被取消，Teradata 调研里只有 7% 的企业拿到可量化的结果。Dataiku 对 685 名 CIO 的调研里，81% 承认对 IT 之外的智能体缺乏把控，47% 今年已下线 20 个以上智能体。

过去一年行业给的药方大多是「把提示词写好一点」，或者「加个 RAG、加个记忆」。提示词和记忆改的是输入，训练改的是模型本身。当一次 RL 训练能把一个 4B 小模型在文本转 SQL 上的执行准确率从 18.8% 提到 40.6%、反超万亿参数的 GPT-5，天平就开始倾斜。

上图：智能体的四类错误对应四种解法，可验证奖励只接「能被规则判对错」的那一类，而这正是企业任务的大头。

判卷机器：可验证奖励取代人类偏好

这套方法的机制内核叫 RLVR，即可验证奖励强化学习。传统 RLHF 靠人判断「好不好」，贵、慢、不稳定；RLVR 靠程序判断「对不对」，单元测试过不过、JSON 合不合 schema、引用能不能解析，奖励只有 +1、-1、0 三档。同一个输出永远同一个分，训练于是稳定、可审计。Appen 把这套经济学讲得透：验证器用代码和算力扩展反馈，不用更多人来扩展，审计日志、schema、测试天然齐备，正对企业合规审查。

Labelbox 把这套逻辑概括成「确定性检查判对错，专家偏好判品味」，Horizon 的流程是「Worlds → Trajectories → Grading → Training」，先造一个模拟公司让模型端到端干活，每一步记录成轨迹，再用可验证器打分喂回训练，核心是那句「模型学的是工作，不是捷径」。这套方法已经跑出结果：Scale 的实验室用 RL 微调开源模型，在法律推理上拿下 17% 到 29% 的提升；NVIDIA 的 Nemotron 3 Super 用 21 个验证器、120 多万次环境回放训练领域智能体。背后的算法几乎清一色是 GRPO，一张显卡就能起步。

从「卖打框」到「卖环境」

把镜头拉远，这是整个数据行业的一次集体转身。Labelbox 自己的叙事就是三章：数据、环境、智能体。老对手 Scale AI 转得更早，拿到 Meta 143 亿美元入股，2026 年营收预计破 10 亿美元，今年 2 月上线 Scale RL Environments，官方预计企业业务 18 个月内反超标注。更凶的是 Surge AI，没融一分钱风投却建起了更大的 RLHF 业务。这波转身也在用钱投票：Prime Intellect 7 月拿 1.3 亿美元 A 轮做 RL 训练，Mercor 以 100 亿美元估值搭环境业务，CoreWeave 直接收购了做智能体 RL 训练的 OpenPipe。

中国同样在换轨。海天瑞声在投资者交流里明确说正从标注转向 RLHF/GRPO 后训练数据，RL 阶段的数据从「要量」变成「要质」，难例（模型一开始做不对的那批）单价远高于易例。当模型靠练习进步，数据行业的单位产出就从「一条打框」变成「一个环境加一个判卷器加一条被评分的轨迹」。

上图：训练层的中美参与者，都在抢同一件事：环境和判卷器，而不是更多的标注人力。

记忆只是其中一层

有必要和上一阶段的记忆热对个表。Labelbox 把「递归自我改进」拆成三层：反思上次会话、维护筛选过的记忆让下次起点更聪明、长期把最好的工作微调进模型。记忆是中间层，训练是第三层。前者是存档，后者是长进：记忆再全，救不回不会干活的模型，而一个被训过的模型，哪怕记忆清空能力还在。

Labelbox 的 Recursion 就是把这套循环做成了产品：智能体从日程、告警、工单里自己启动，独立判卷器按团队标准打分，没过返工，过了写进记忆、攒够好样本再微调。它先在自己内部跑了 50 多个智能体，覆盖工程、销售、财务，再开放给客户。

上图：Recursion 的自我改进循环，判卷、记忆、微调三层叠加，让智能体越用越顺。

中国的平行世界：造环境的人

中文世界的反应比融资新闻本身更值得读。腾讯首席 AI 科学家姚顺雨说过一句被反复引用的话：「没有好的环境，Agent 什么也做不了。」腾讯至少四个团队在并行造环境，半年发了六篇论文；真正扎眼的是它做的一次筛洗：47678 个公开训练环境里，最终只有 127 个能留下，淘汰率 99.7%。阿里 10 月上线 QwenGyre，48 步 RL 把 NL2RepoBench 通过率从 52.5% 提到 58.5%；字节的 veRL 开源了 Uni-Agent 框架，快手给代码、工具调用、搜索三类任务上了强化学习。

中文媒体的口径也分成两派：讲个人 Agent 赛道的倾向「训练为王」的兴奋，讲垂直落地和环境的更克制，反复强调「环境质量才是瓶颈」。一个中文垂直媒体拆 Labelbox E 轮时，把 Recursion 译成「给智能体打考绩的 grader」，并给那个 32% 降本数字贴了「公司口径、单次观察、非严格实验」的标签。

上图：腾讯对公开智能体训练环境的筛洗，能用的不到千分之三，环境质量本身成了训练层的新瓶颈。

谁拥有判卷器，谁就拥有训练层

剩下的风险，恰好藏在这套方法最强的地方：那台判卷机器本身。奖励可以被刷，按次调用计数会被多调几次工具糊弄过去，得加惩罚和审计；手工设计的验证规则盖不住真实企业 API 的全貌，下一个要啃的硬骨头是从 OpenAPI 自动合成奖励；学到的只是 schema 层面的相符，扛不住限流、权限错误这些真实世界的坑。所以业内流传一条规矩：先把奖励函数在 50 到 100 个真实输出上人工核一遍，再谈训练。

更大的问题在更上面一层：判卷器是谁造的、按谁的标准造。判卷器是「自己人」写的，训练出来的智能体到底在变好，还是在迎合一套可能被写偏的尺子？腾讯那 99.7% 的淘汰率已经说明，环境错了，能力就建立在流沙上。

我判断，智能体接下来最厚的护城河不在模型，也不在框架，而在「环境加判卷器」这套训练基础设施的积累上：环境越像真实业务、判卷越能分对错，训练出来的智能体越难被复现。但我不赌 Labelbox 一定赢，它要同时面对 Scale 的体量、NVIDIA 的算力绑定和 Surge AI 这种零融资却更聚焦的对手。先不下结论的，是那个 32% 降本数字，单次观察撑不起「训练层已经跑通」的判断，得等第一批企业客户的续费和第三方复现。

这轮转变的终局不是「谁的数据多」，而是「谁能让智能体在别人的业务里，一次比一次更像一个合格的老员工」。

参考来源

1. Labelbox 官方博客：Labelbox raises $100M+ Series E

2. HPCwire/AIwire：Labelbox Raises over $100M to Expand RL and Enterprise AI Agents

3. Scale 官方博客：Scaling Enterprise Agent Performance with RL via Verifiable Feedback Loops

4. Appen 官方博客：RLVR，Verifiable Rewards for Reliable Enterprise LLMs

5. 虎嗅：腾讯、阿里、字节为什么都在给 Agent 造世界

6. 证券时报：千问上新深度推理模型，阿里狂奔、字节猛攻、腾讯蛰伏

7. 同花顺：海天瑞声投资者交流，从数据标注转向 RLHF 后训练数据

8. 龙虾智能体：Labelbox 过亿美元 E 轮，给智能体打考绩的 grader

每日更新。