Modals Series-C-Finanzierung: 355 Mio. USD bei einer Bewertung von 4,65 Mrd. USD

Wir haben 355 Millionen US-Dollar eingesammelt, nachdem wir uns seit September verfünffacht haben und einen annualisierten Umsatz von über 300 Millionen US-Dollar erzielen. Unsere Bewertung beträgt 4,65 Milliarden US-Dollar post-money in einer Runde unter der Leitung von @generalcatalyst und @Redpoint, mit @MenloVentures und @Accel als neuen Investoren. Alle unsere bisherigen Hauptinvestoren haben ebenfalls teilgenommen und ihr Vertrauen in Modal bekräftigt.

Eine neue Infrastrukturebene für das KI-Zeitalter

Wir haben Modal gegründet, weil die Cloud, die für traditionelle Webanwendungen gebaut wurde, niemals zu KI-Workloads passen würde. Das war uns schon vor der GenAI-Revolution klar und wird mit der Weiterentwicklung von Modellen und Techniken noch wahrer.

Modal ist eine Cloud, die für KI gebaut wurde. Keine reine GPU-Cloud, sondern eine Plattform mit den richtigen Primitiven, damit Entwickler eine sehr breite Palette von Anwendungen erstellen können. Heute sieht das aus wie latenzarme elastische Inferenz, dynamische Agenten-Laufzeitumgebungen, Reinforcement Learning, Batch-Jobs in massivem Maßstab und vieles mehr.

Von Frontier-APIs zur Modell-Eigenverantwortung

Von digitalen Natives wie DoorDash bis hin zu KI-nativen Unternehmen wie Reducto – die Teams, die sich absetzen, übernehmen die Verantwortung für ihre Modelle. Sie feintunen mit ihren eigenen Daten, betreiben Reinforcement Learning und optimieren die Inferenz für ihre eigenen Latenz-, Durchsatz- und Kostenanforderungen. Open-Weight-Modelle von DeepSeek, Qwen und anderen haben Produktionsqualität erreicht, und Inferenz-Engines wie vLLM und SGLang sind parallel dazu gereift. Zum ersten Mal ist der gesamte Stack vorhanden, um Ihre Modelle zu besitzen und zu betreiben, ohne Kompromisse bei der Leistungsfähigkeit einzugehen.

Modal betreibt sowohl unsere Reinforcement-Learning-Infrastruktur als auch die Produktionsinferenz. Millionen von Sandboxen auf der einen Seite, Echtzeit-Serving auf der anderen. Alles auf derselben Plattform. — @ScottWu46, CEO @cognition

Decagon konnte eine p90-Latenz von 342 ms erreichen, weit unter der geforderten Subsekunden-Grenze für natürliche Kundengespräche, und liefert Geschwindigkeit, Effizienz und Zuverlässigkeit auf Unternehmensebene — @DecagonAI

Agenten brauchen bessere Ausführungsumgebungen

Im Jahr 2023 sahen wir zum ersten Mal, dass Benutzer KI-generierten Code auf Modal ausführten. Es war klar, dass dies ein universelles Bedürfnis werden würde, also bauten wir Sandboxen, isolierte Umgebungen für nicht vertrauenswürdigen Code, als erstklassiges Primitive. Es dauerte zwei Jahre, bis die Explosion stattfand.

In den letzten sechs Monaten wurde klar: Agenten werden überall sein, und sie sind weitaus leistungsfähiger, wenn sie eine Laufzeitumgebung zum Arbeiten haben. DoorDash baut KI-Agenten für Händler, Coding-Agenten wie Ramp's Inspect verfassen 70 % der zusammengeführten PRs, RL-Workloads laufen tausende Umgebungen parallel, und Autoresearch-Agenten durchsuchen das Internet in großem Maßstab. Über 1 Milliarde Sandboxen wurden auf Modal gestartet.

Sandboxen sind einer der wichtigsten Bausteine für Reinforcement Learning. Modal war offensichtlich sehr flexibel, so strukturiert, dass wir diese komplexen Umgebungen aufbauen konnten, mit Fokus auf Leistung und Zuverlässigkeit. — @ypatil125 , CEO @appliedcompute

Es wäre wirklich schwierig gewesen, Inspect ohne Modal zu bauen. Ein Großteil der Komplexität versteckt sich hinter der Möglichkeit, Sandboxen sehr schnell mit vielen Diensten und Daten hochzufahren und praktisch unbegrenzt viele davon zu jeder Zeit zu haben. — @rahulgs, Head of Applied AI @tryramp

Die Form von KI erweitert sich ständig

Modal ist eine universelle Compute-Plattform, die für die zugrunde liegenden Anforderungen von KI-Workloads gebaut wurde: elastisches Computing, sichere Isolation und programmgesteuerte Kontrolle. Entwickler setzen sie zu sehr unterschiedlichen Anwendungen zusammen. Physical Intelligence führt Echtzeit-Inferenz für Live-Roboter durch. Chai Discovery skaliert Wirkstoffforschungs-Pipelines von Protein-Embeddings bis hin zum Antikörperdesign. Suno generiert Millionen von Songs pro Tag, skaliert auf Tausende von GPUs und zurück auf nahe Null. Gleiche Primitive, völlig unterschiedliche Formen.

Wir nutzen Modal, um Edge-Inferenz mit <10ms Overhead und Batch-Jobs in großem Maßstab durchzuführen. Unser Team liebt die Plattform für die Leistungsfähigkeit und Flexibilität, die sie uns bietet. — Brian Ichter, Co-founder @physical_int

Es ist nicht nur eine Zeitersparnis, sondern der mentale Aufwand, der verschwindet. Mit Modal fügen wir ein paar Dekorateure zu einer Funktion hinzu, die wir skalieren müssen, vergessen sie, und sie funktionieren einfach. — Kevin Wu, ML Researcher at @chaidiscovery

Was wir als Nächstes bauen

Wir haben die letzten fünf Jahre damit verbracht, sehr tief in die Technologie einzusteigen, einschließlich dem Aufbau unserer eigenen Speicher- und Compute-Schicht von Grund auf. Dies hat es uns ermöglicht, Ergebnisse zu erzielen, die unmöglich schienen, z. B. die Verbesserung von Kaltstarts um das 100-fache mit GPU-Snapshotting, elastische latenzarme Inferenz weltweit und die Skalierung von 0 auf 1.000 GPUs in Minuten (oder sogar Sekunden!) ohne Reservierungen durch die Bündelung von Kapazität in Hunderten von Rechenzentren auf der ganzen Welt.

Da wir den gesamten Stack besitzen, können wir auf diesen Vorteilen aufbauen, um Entwicklern eine immer bessere Erfahrung zu bieten.

Dieses Fundament ermöglicht die nächste Phase. Hier geht es hin:

Latenzarme Inferenz in großem Maßstab.

Die Messlatte für Produktionsinferenz verschiebt sich ständig, und wir setzen verstärkt auf das, was Teams eine schnelle Iteration ermöglicht: bessere Serving-Primitive, schärfere Observability und fortgesetzte Investitionen in den offenen Inferenz-Stack. Wir haben ein Team von Inferenz-Ingenieuren zusammengestellt, die zu Flash Attention, vLLM, SGLang und mehr beitragen, denn Leistungssteigerungen sollten an die Gemeinschaft zurückfließen, die auf denselben Engines aufbaut.

Die Trainings- und Inferenzschleife zusammenführen.

Reinforcement Learning ist ein schwieriges Infrastrukturproblem. Multi-Node-Training, elastische Inferenz und Sandboxen haben bereits erstklassige Unterstützung auf Modal, was den gesamten RL-Zyklus zu einer natürlichen Passform macht. Unsere Benutzer sehen bereits Pareto-effiziente Ergebnisse in Qualität, Kosten, Latenz und Durchsatz. Wir möchten den gesamten Modelltrainings-Lebenszyklus, vom ersten Feintuning bis zum Produktions-Serving, für weit mehr Teams zugänglich machen.

Die Compute-Schicht für Agenten.

Sandboxen treiben bereits mehr als ein Drittel unseres Umsatzes, und Kunden drängen uns nach mehr. Wir erweitern die Sandbox-Oberfläche mit neuen Fähigkeiten und dem Maßstab, um Millionen parallel auszuführen. Gleichzeitig erkennen wir, dass agentische Entwicklung angekommen ist. Modal ist Code, was es bereits zu einem großartigen Ort für Agenten zum Arbeiten macht. Wir werden hier weiter verbessern, beginnend mit der Auslieferung von granularer RBAC, damit Kunden Agenten Fähigkeiten ohne Risiko geben können.

Die KI-Infrastrukturebene fängt gerade erst an. Wir auch.

Wenn Sie unser 120-köpfiges Team in NY, SF und Stockholm verstärken möchten, werfen Sie einen Blick auf unsere offenen Stellen hier.