两个还在大学阶段起步的年轻人，把一家成立约十八个月的AI数据公司推到了32亿美元估值。AfterQuery由23岁的斯宾塞·马蒂加和22岁的卡洛斯·乔治斯库创办，五个月前估值约3亿美元，如今据《福布斯》援引知情人士的消息，估值已接近215亿元人民币。更值得注意的是，这家公司并不是训练通用大模型，也不直接售卖聊天机器人，而是为英伟达等客户提供专家推理数据、强化学习环境和模型评测。
AfterQuery的崛起揭示了模型竞争中一个容易被忽略的变化：公开网页上的文本和代码越来越难单独支撑能力跃迁，真正稀缺的资源开始变成医生、律师、工程师和金融分析师在复杂任务中的判断过程。模型公司需要的也不再是“给图片贴标签”式的基础劳动，而是能被验证、能用于训练Agent、能让真实任务成绩提升的专业经验。数据生意正在从人海标注升级为专家经验工程。
估值跃升的底层逻辑
AfterQuery最初尝试开发金融Agent，但团队发现，即使领先模型面对真实白领工作流程，仍会频繁卡在信息不完整、标准模糊和例外情况太多的环节。模型可以背诵金融概念，却不一定知道分析师如何核对一份有缺口的材料；可以生成法律文本，却未必理解律师怎样在多个文件和工具之间验证结论。团队因此转向上游，把专业人士的操作步骤、判断标准、反馈结果和异常处理方式整理成训练材料。
这次转向让AfterQuery避开了应用层激烈的入口竞争，抓住了前沿模型共同面对的数据缺口。公司称平台已汇集近十万名经过验证的专业人士，覆盖工程、医疗、法律和金融等领域，内部团队规模约三十人。它出售的不只是数据文件，还包括监督微调与人类反馈强化学习数据、工具调用环境、电脑操作环境、定制训练集和评测系统。客户购买的是一套能够把人类经验转化为模型能力的工程流程。
数据必须证明有效
高质量数据不能只靠“专家参与”来背书。AfterQuery会使用定制软件进行多轮检查，把任务控制在既能挑战先进模型、又不至于完全无法完成的区间，并在交付前运行后训练流程，观察数据是否真的改善模型成绩。这种做法把数据供应从按条计价的外包业务，推向以能力增量为结果的技术服务：如果一批数据不能让模型在目标任务上变得更好，它的商业价值就会迅速下降。
英伟达Nemotron 3 Ultra已经使用AfterQuery提供的办公与职场任务数据，覆盖文件推理、专业交付物、多步骤分析和结果评判。报道披露，在英伟达的一项消融实验中，加入相关预热训练后，模型在真实职业任务评测集GDPval上的成绩从35.3分提高到46.7分。法律领域的BAR评测集则覆盖28个业务领域、5161个案例和11075份源文件，帮助法律AI产品在真实工具环境里暴露问题。数据价值由模型表现和任务结果验证，才可能形成长期壁垒。
专家经验成为新原料
互联网语料擅长告诉模型“世界上写过什么”，却很难完整记录专业人士在压力、权限和不确定条件下“具体怎么做”。医生面对不完整病历时如何决定下一项检查，工程师如何从日志中排除伪线索，律师如何在冲突证据之间判断优先级，这些经验往往散落在工作过程里，既没有标准答案，也无法靠简单抓取获得。随着Agent开始调用软件、处理文件和跨步骤执行，模型对过程数据的需求会比对静态问答更强。
这也改变了数据生产者的角色。过去标注人员通常按照固定规则完成分类，未来的参与者更像任务设计师、审稿人和领域评测员。他们需要构造接近真实工作的难题，解释判断依据，识别模型看似正确但无法落地的答案，并为失败提供可操作反馈。对于企业而言，内部文档本身未必是最有价值的资产，隐藏在审批、排障、复核和交付过程中的判断轨迹，才可能成为训练专属Agent的关键材料。
模型生意走向分层
数据供应商升温的同时，大模型公司也在用不同方式把能力换成收入。智谱披露，上半年营收9.54亿元，开放平台与API收入占比达到86.5%；MiniMax上半年收入1.17亿美元，其中海外收入占60.8%。前者更强调API调用、Coding与长程工作流，后者则以全球化和多模态产品扩大市场覆盖。两条路线看似不同，却都依赖稳定的数据、评测和反馈闭环来持续改善模型。
模型能力越接近真实工作，训练材料就越不能停留在通用问答。API客户关心的是一次调用能否解决问题，多模态用户关心的是生成结果能否持续可用，企业采购者则要求权限、成本和准确率都可衡量。AfterQuery这类公司处在共同上游：它们要把专业任务拆成模型可学习的环境，还要证明改进不是榜单偶然波动。数据公司与模型公司的边界因此会越来越模糊，双方都在参与应用研究、评测设计和后训练。
企业该怎样积累数据
对准备部署内部Agent的企业来说，最重要的启示不是立刻把所有资料交给模型，而是先定义哪些任务值得自动化、什么结果算成功。客服场景可以记录问题是否真正解决，运维场景可以追踪告警、诊断、变更与回滚，财务场景则要保留数据来源和复核链路。只有任务、权限、输入、操作与结果能够对应起来，企业数据才可能用于训练和评测，而不是变成一堆难以利用的历史文件。
基础设施也需要与数据治理同步建设。企业可使用速维云云服务器搭建隔离的知识库、评测环境或内部推理服务，把生产系统与实验环境分开，并通过访问控制、日志和备份保留完整证据。敏感数据在进入训练流程前还应完成脱敏、授权和用途限制，涉及医疗、法律、员工信息的材料不能因为“提升模型”就绕过合规要求。模型效果提升必须建立在可撤回、可审计和可追责的基础上。
高估值仍要接受检验
32亿美元估值和约十倍增长速度足够吸引眼球，但数据行业并非天然拥有永久护城河。模型实验室可能更换供应商，也可能提高合成数据、自训练和自动评测的比例；专家网络越大，身份验证、任务分配、报酬公平和质量一致性就越难管理。AfterQuery需要持续证明自己的数据不只是规模大，而是能够在不同模型、不同客户和不同任务中带来可重复的能力增量。
它的机会同样清晰：当模型从回答问题走向完成工作，训练材料就必须越来越接近真实工作。专业人士的隐性经验、可交互的软件环境和可量化的评测结果，将共同构成下一阶段的数据基础设施。两个年轻创始人创造的高估值故事或许带有资本市场的热度，但英伟达模型中的实际采用已经说明，AI产业的“卖铲人”正在变化——最稀缺的铲子，不再只是GPU和机房，也包括经过验证的人类判断。
