River AI получила $1,1 млрд на персональное дообучение AI-агентов

Раунд возглавили General Catalyst и AMP PBC; к ним присоединились Nvidia, AMD Ventures, Y Combinator и Temasek. Для компании, вышедшей из скрытого режима только в июне, это необычно крупное раннее финансирование. У River при этом опытная отправная команда: Бабушкин до xAI работал над AI в DeepMind и OpenAI, а сам стартап намерен перестроить полный стек — от обучения и моделей до продуктового слоя и специализированного персонального оборудования.

Первый доступный компонент River — тарифицируемый по миллиону токенов API для работы с открытыми моделями. Через него разработчики могут применять обучение с подкреплением и низкоранговую адаптацию LoRA, не поднимая собственный тренировочный кластер, а затем обслуживать получившуюся модель как отдельный endpoint. River противопоставляет это prompt engineering: промпт лишь направляет чужую неизменяемую модель, тогда как постобучение закрепляет нужное поведение в собственном варианте модели.

Компания утверждает, что предприятие способно выполнить сложный RL-прогон за 15–20 минут без отдельной инфраструктурной команды и с экономией затрат в два–четыре раза относительно закрытых альтернатив. Эти показатели пока следует воспринимать как заявление самой River: независимых тестов, условий сравнения и данных о качестве полученных моделей не приведено. Итоговая экономика также будет зависеть от базовой модели, объёма обучающих траекторий, числа повторных прогонов и последующего инференса.

Более дальняя цель стартапа — персональные агенты, которые обучаются под конкретного владельца, постоянно находятся рядом и действуют в его интересах, а не универсальные системы для замены работников. Для такого сценария River хочет охватить не только облачное постобучение, но и модели, продукты и новое оборудование, позволяющее запускать персональный AI ближе к пользователю. Пока, однако, публично доступный продукт решает более узкую корпоративную задачу: упрощает адаптацию и развёртывание open-weight моделей.

Ставка попадает в заметный запрос предприятий на контроль над модельным стеком и возможность сочетать несколько моделей, включая открытые. Но огромный раунд сам по себе не отвечает на ключевые технические вопросы: насколько устойчиво RL-дообучение улучшает агента на реальных процессах, как платформа предотвращает деградацию базовых навыков и каким образом защищает чувствительные данные и персональную память. Отличия будущего оборудования River от уже появляющихся локальных агентов и AI-PC компания также ещё не раскрыла.