Trajectory

§ 01综述

近期，Trajectory 一词在 AI 领域主要指向两家机构：一家是初创公司 Trajectory Labs，专注于持续学习与模型后训练；另一类是学术研究中的“标准化轨迹模型”（NTM）。当前核心趋势是：持续学习（Continual Learning）正从研究走向工程落地，成为大模型高效迭代的关键范式。

近期主要进展：

Trajectory Labs 获 1500 万美元融资，推出持续学习平台——该平台旨在让企业无需从头训练即可持续更新模型，降低计算成本。(Trajectory 获 1500 万美元融资)

在 Together AI 的云上 24 小时内完成前沿模型后训练——Trajectory Labs 利用 Together 的 AI Native Cloud 基础设施，快速对 Llama 3 等模型进行后训练，验证了其持续学习栈的效率。(Trajectory Labs 在 Together 上 24 小时完成后训练)

发布并发多 LoRA 训练栈，吞吐量提升 2.81 倍——Trajectory 提出一种并行多 LoRA 训练架构，在不牺牲模型质量的前提下显著加速持续学习实验迭代。(并发多 LoRA 训练栈)

NTM：四步采样的标准化轨迹模型——学术层面，arXiv 论文提出一种采用扩散生成路径的标准化轨迹模型，专注于高维数据生成，与持续学习应用路径不同但共享“轨迹”概念。(NTM 论文)

当前焦点/未来观察点：

Trajectory Labs 的融资与技术突破表明，持续学习正成为降低大模型维护成本的关键手段，但如何平衡新旧知识、避免灾难性遗忘仍是核心挑战。
其与 NVIDIA Nemotron 3 Super 等模型的结合（如法律任务后训练）提示：垂直领域模型定制可能因此加速。
NTM 类轨迹模型则代表生成式 AI 的另一方向，轨迹抽象有助于统一扩散模型与自回归生成。
需关注持续学习平台能否扩展到更大规模，以及“轨迹”概念是否会成为算法统一框架的新基础。

§ 02相关报道07 条在档

§ 03邻近话题