近年来，越来越多的人工智能企业开始通过自身的专业知识与业务经验训练独特的模型。法律AI公司Harvey在八月推出了其首个后训练的开放权重模型Tenet。该模型基于Kimi K3，且在法律智能体基准LAB上展示出19.7%的全通过率，明显优于Fable 5和GPT-5.6 Sol等封闭源模型，且单项任务成本也更具优势，仅为5.92美元。部分网友对此表示惊讶，认为连OpenAI投资的公司也开始涉足自主模型训练。Mercor的CEO Brendan Foody称Harvey为掌握自主智能的先锋，预测企业未来可能会针对具体领域进行开放模型的后训练，并为重要客户提供定制服务。

虽然闭源模型的API为企业使用AI提供了便利，但长期依赖外部模型可能会影响产品的稳定性和核心能力。企业在模型迭代、数据积累等方面的自主性受限，使其难以将自身的经验转化为资产。随着AI技术的不断发展，越来越多的公司意识到拥有并持续训练自己的模型是一种维持自主性的关键能力。然而，模型训练的复杂度也在上升，尤其是开放模型参数规模的不断扩展，使得企业面临巨大的算力和工程挑战。

针对这一难题，情感机器推出了PyTRIO平台，通过Training API将训练所需的算力和底层工程进行封装。用户可以在本地掌控数据和训练逻辑，而需要GPU计算的工作通过API发送到云端，平台则自动处理环境配置和分布式训练等底层任务。此举使得训练能力可按需获取，更加灵活便捷。PyTRIO体现了一种新的TaaS（训练即服务）模式，让企业能够更有效地塑造和掌控自己的模型能力。 龙8头号玩家国际

在AI初创企业的初期阶段，最重要的挑战往往是找到产品市场契合点（PMF）。在市场反馈尚不明确时，借助外部前沿模型API可节省人力和资源，快速推出产品并进行迭代。然而，随着用户基数的增加和真实数据的积累，团队渐渐形成自己的判断标准，简单地使用通用模型将难以转化为产品的核心优势。因此，后训练成为数据的有效管理方式，使行业知识和团队经验能够融入模型中。

企业未来所需的模型类型可能不止一种。在法务、客服和销售等不同领域，企业需要针对特定的任务和标准训练出多样化的专属模型，并不断用新数据进行更新。比如，Cursor的Composer 2通过持续预训练和强化学习，借鉴了真实产品反馈，其模型在编程基准测试中表现优异，同时推理成本显著低于同类模型。这表明，企业不仅可以在模型训练中获得长期的竞争优势，还能够通过持续优化自身数据和经验，形成独特的市场价值。