我們已籌集 3.55 億美元，自 九月 以來增長了五倍，年化營收突破 3 億美元。此輪融資由 @generalcatalyst 和 @Redpoint 領投，@MenloVentures 與 @Accel 作為新投資人加入，投後估值達 46.5 億美元。所有現有主要投資人也全數參與，加碼對 Modal 的信念。
AI 時代的新基礎設施層
我們創立 Modal，是因為傳統網頁應用所打造的雲端，永遠無法適應 AI 的工作負載。這在生成式 AI 革命之前就很明顯，隨著模型與技術不斷進步，這個事實變得更加確鑿。
Modal 是專為 AI 打造的雲端。它不是單一用途的 GPU 雲，而是一個具備正確原語的平台，讓開發者能構建極其廣泛的應用。今天，這包括低延遲彈性推論、動態 Agent 運行環境、強化學習、大規模批次作業，以及更多。
從前沿 API 到模型自主
從 DoorDash 這樣的數位原生公司，到 Reducto 這樣的 AI 原生企業，脫穎而出的團隊正在掌握自己的模型。他們用自己的數據進行微調、執行強化學習，並針對自身的延遲、吞吐量與成本需求調整推論。來自 DeepSeek、Qwen 等公司的開放權重模型已達到生產級品質，而 vLLM 與 SGLang 等推論引擎也隨之成熟。這是首次，從模型自研到提供服務的完整技術棧已就緒，無需犧牲能力。
Modal 為我們的強化學習基礎設施與生產推論提供動力。一端是數百萬個沙盒，另一端是即時服務。全部在同一個平台上。 — @ScottWu46，@cognition 執行長
Decagon 實現了 342 毫秒的 p90 延遲，遠低於自然客戶對話所需的次秒級範圍，提供了速度、效率與企業級可靠性。 — @DecagonAI
Agent 需要更好的執行環境
2023 年，我們開始看到用戶在 Modal 上執行 AI 生成的程式碼。很明顯這將成為一個普遍需求，因此我們建構了 Sandboxes（沙盒），即針對不受信任程式碼的隔離環境，並將其作為一級原語。花了兩年時間才迎來爆發。
過去六個月，情況已明朗：Agent 將無所不在，而當它們擁有可運作的運行環境時，其效能遠為強大。DoorDash 正在為商家打造 AI Agent，像 Ramp 的 Inspect 這樣的編碼 Agent 貢獻了 70% 的合併 PR，強化學習工作負載 平行執行數千個環境，自動研究 Agent 大規模爬取網路。在 Modal 上已啟動超過 10 億個沙盒。
沙盒是強化學習最重要的建構模塊之一。Modal 顯然非常靈活，結構化方式讓我們能夠建立這些複雜的環境，專注於效能與可靠性。 — @ypatil125，@appliedcompute 執行長
如果沒有 Modal，要打造 Inspect 會非常困難。許多複雜性都隱藏在能夠非常快速地啟動沙盒、擁有大量服務與數據，並且隨時有效擁有無限數量的沙盒背後。 — @rahulgs，@tryramp 應用 AI 主管
AI 的形狀持續擴展
Modal 是一個通用計算平台，專為 AI 工作負載的根本需求而建：彈性計算、安全隔離與程式化控制。開發者將它們組合成截然不同的應用。Physical Intelligence 為即時機器人執行即時推論。Chai Discovery 將藥物發現管線從蛋白質嵌入擴展到抗體設計。Suno 每天生成數百萬首歌曲，擴展到數千個 GPU 再回到接近零。相同原語，完全不同的樣貌。
我們使用 Modal 執行開銷低於 10 毫秒的邊緣推論以及大規模批次作業。我們的團隊喜愛這個平台，因為它提供我們強大與靈活性。 — Brian Ichter，@physical_int 共同創辦人
這不僅是時間的節省，更是心智負擔的消失。使用 Modal，我們只需在需要擴展的函式上加上幾個裝飾器，然後忘掉它們，它們就能正常運作。 — Kevin Wu，@chaidiscovery 機器學習研究員
我們接下來要打造什麼
過去五年，我們在技術上深入耕耘，包括從零開始建構自己的儲存與計算層。這使我們得以實現看似不可能的成果，例如透過 GPU 快照將冷啟動提升 100 倍、全球彈性低延遲推論，以及在不預留資源的情況下，透過匯集全球數百個數據中心的容量，在數分鐘（甚至數秒！）內從 0 擴展到 1,000 個 GPU。
因為我們擁有完整的技術棧，所以能持續在這些優勢上建構，為開發者提供愈來愈好的體驗。
這個基礎正是實現下一階段的可能性所在。以下是我們的方向：
大規模低延遲推論
生產推論的標準不斷提高，我們正加倍投入讓團隊能夠快速迭代：更好的服務原語、更敏銳的可觀測性，以及持續投資於開放推論技術棧。我們已經組建了一個推論工程團隊，貢獻於 Flash Attention、vLLM、SGLang 等專案，因為效能提升應該回饋給使用相同引擎的社群。
縮短訓練與推論的循環
強化學習是一個艱難的基礎設施問題。多節點訓練、彈性推論與沙盒在 Modal 上已獲得一級支援，這使得完整的強化學習循環成為自然契合。我們的用戶已經在品質、成本、延遲與吞吐量方面看到帕累托效率的成果。我們希望讓完整的模型訓練生命週期，從初次微調到生產服務，能被更多團隊輕鬆使用。
Agent 的計算層
沙盒已驅動我們超過三分之一的營收，客戶不斷要求更多。我們正在擴展沙盒的功能範疇，並提升規模以平行執行數百萬個沙盒。同時，我們認知到代理式開發已經到來。Modal 本身就是程式碼，這使它已經成為 Agent 工作的絕佳場所。我們將持續改進，首先推出細粒度 RBAC，讓客戶能夠賦予 Agent 能力而不帶來風險。
AI 基礎設施層才剛剛開始。我們也是。
如果您想加入我們在紐約、舊金山與斯德哥爾摩超過 120 人的團隊，請查看我們的職缺 在此。
