Kahe kuu vanune River AI kaasas 1,1 miljardit dollarit

01Lühidalt

• xAI kaasasutaja Igor Babuschkini River AI kaasas General Catalysti ja AMP PBC juhtimisel 1,1 miljardit dollarit.
• Kahe kuu vanune ettevõte avas API eelvaate, millega saab avatud mudeleid LoRA ja tugevusõppe abil organisatsiooni enda andmetele kohandada.
• River hinnastab treeningu ja inferentsi tokenite järgi ning lubab kliendil kohandatud mudelikaalud enda valdusse saada.
• Ettevõtte väited 15–20 minuti pikkusest treeningust ja suletud mudelitest kaks kuni neli korda madalamast kulust ei ole sõltumatult kinnitatud.

Igor Babuschkini asutatud River AI teatas 11. augustil, et kaasas seemne- ja A-seeria voorudes kokku 1,1 miljardit dollarit. Vooru juhtisid General Catalyst ja AMP PBC ning investorite seas on ettevõtte ja Reutersi andmetel Nvidia, AMD Ventures, Y Combinator ning Temasek.

Rahastuse suurus on erakordne, sest River alustas tegevust alles juunis. Ettevõte ei avaldanud tehingujärgset väärtust, mistõttu ei tohi 1,1 miljardit dollarit käsitleda firma väärtusena. Summa kirjeldab kaasatud kapitali, mitte seda, millise hinnaga investorid kogu ettevõtet hindasid.

Koos rahastusteatega avas River API eelvaate. Selle kaudu saab organisatsioon teha avatud mudelitele LoRA-järelõpet ja tugevusõpet, kasutades oma andmeid ning hindamisreegleid. Riveri põhiväide on, et klient peaks saama mitte ainult kohandatud teenuse, vaid ka tekkinud mudelikaalud.

02River AI müüb järelõpet tokeni, mitte GPU-tunni järgi

Riveri API toetab ettevõtte teatel eri suurusega avatud mudeleid, sealhulgas Qweni, Kimi ja GLM-i perekondi. LoRA ehk madala järguga kohandamine ei õpeta kogu mudelit algusest peale ümber. Meetod lisab väikese hulga treenitavaid parameetreid, mis võib vähendada mälu- ja arvutusvajadust.

Tugevusõpe läheb sammu edasi. Mudel saab ülesandeid, tema väljundit hinnatakse kokkulepitud tasufunktsiooniga ning õpetus nihutab käitumist paremate tulemuste suunas. Ettevõtte jaoks on kõige raskem osa sageli mitte treeningukood, vaid usaldusväärse hindaja loomine: halb mõõdik õpetab mudelile vale eesmärgi.

River arveldab treeningu ja hilisema inferentsi tokenite järgi, mitte graafikaprotsessori tundides. See teeb eelarvestamise tuttavamaks API-mudelite kasutajale, kuid ei kaota arvutusriski. Pikk treening, suur andmestik ja palju hindamiskatseid väljenduvad endiselt tokenimahus ning võivad kasvatada arvet.

Ettevõtte veebilehe järgi ulatub tugi umbes 35 miljardi parameetriga mudelitest kuni ühe triljoni parameetriga süsteemideni. Avaldatud näide kasutab Qwen3.6 35B mudelit, LoRA kohandamist ja tugevusõpet. Üks näide ei näita, kuidas sama teenus töötab eri valdkondade, keelte ja andmekvaliteedi puhul.

03Mudelikaalude omamine ei võrdu valmis tootega

River vastandab mudeli päris kohandamist pika süsteemiprompti kasutamisele. Mõte on arusaadav: prompt suunab iga päringut, kuid ei muuda mudeli sisemisi parameetreid. Järelõpe võib teha korduva oskuse stabiilsemaks ning vähendada igasse päringusse lisatava juhise mahtu.

Omand ei lõpe kaalufailiga. Organisatsioon vajab andmete päritolu kirjeldust, versioonihaldust, hindamiskomplekti, kasutuslitsentsi ja käitustaristut. Uue alusmudeli ilmumisel tuleb otsustada, kas kohandus üle kanda, uuesti õpetada või vana mudelit edasi hooldada.

Kaalud võivad vähendada sõltuvust ühest teenusepakkujast, sest klient saab mudeli teise taristusse viia. Portatiivsus sõltub siiski formaadist, kasutatud teekidest, litsentsist ja sellest, kas väljundi kvaliteet säilib teises inferentsikeskkonnas. Eksporditav fail ei ole automaatselt täielikult vahetatav teenus.

Turvarisk kasvab koos mudeli kasutusõigustega. Kui kohandatud mudel saab ligipääsu ettevõtte andmetele ja tööriistadele, peab organisatsioon kontrollima nii treeningandmete lekkimist kui ka agendi hilisemaid tegevusi. Kaalude omamine annab rohkem kontrolli, kuid ka rohkem vastutust.

041,1 miljardit dollarit on panus mudelite kohandamise kihile

Rahastus näitab, et investorid ootavad väärtuse liikumist alusmudelitest nende ettevõttepõhisesse kohandamisse. Suured mudelid muutuvad laialt kättesaadavaks, kuid organisatsiooni andmed, hindamisreeglid ja töövood jäävad eristavaks varaks. River püüab pakkuda taristut, mis muudab selle vara mudelikaaludeks.

Vooru suurus ei tõenda veel nõudlust ega toimivat ärimudelit. Kahe kuu vanusel ettevõttel on vähe avalikku tegevusajalugu ning API on eelvaates. Teada pole püsiklientide arvu, tulu, teenuse marginaali ega seda, kui palju kapitalist kulub oma arvutustaristu ehitamisele.

Investorite nimekiri seob Riveri mõlema suure GPU-tootjaga. Nvidia ja AMD võimalik huvi on loogiline, sest järelõpe ning kohandatud mudelite käitus suurendavad arvutusnõudlust. See ei tähenda, et River oleks seotud ainult ühe riistvaraplatvormiga, kuid taristuvalikud mõjutavad teenuse hinda ja saadavust.

Reutersi ja TechCrunchi kajastus kinnitab rahastuse põhitingimused, kuid mitte Riveri lubatud treeningukiirust ega kulueelist. Need väited vajavad võrreldavat katset sama mudeli, andmestiku, kvaliteedilävendi ja inferentsimahuga.

05Prompt, RAG või järelõpe tuleb valida ülesande järgi

Pikk süsteemiprompt sobib siis, kui reeglid muutuvad sageli ja neid peab saama kohe lugeda või muuta. Retrieval-augmented generation ehk RAG lisab mudelile päringu ajal ettevõtte dokumente ning sobib faktidele, mis peavad olema ajakohased ja viidatavad. Järelõpe on tugevam kandidaat siis, kui õpetatav käitumine kordub suurel mahul.

Need lahendused ei välista üksteist. Järelõpetatud mudel võib endiselt kasutada RAG-i värskete faktide saamiseks ja süsteemiprompti konkreetse töövoo piiride määramiseks. Õige võrdlus mõõdab kogu süsteemi, mitte ühe tehnika abstraktset paremust.

Ettevõte peaks alustama külmutatud testkogust. Sama ülesandekomplekt antakse baasmudelile pika promptiga, RAG-lahendusele ja järelõpetatud mudelile. Mõõta tuleb kvaliteeti, käituskulu, vastuse aega, andmete ettevalmistamise tööd ning seda, kui kiiresti saab lahendust uue nõude korral muuta.

06Eesti ettevõte peab arvestama keele ja andmete mahuga

Eestikeelse kasutuse puhul ei saa ingliskeelset või suure turu katset automaatselt üle võtta. Hindamiskogus peavad olema eesti keele käänded, erialaterminid, nimed ja päris töövoo vead. Väike kvaliteedierinevus üldises võrdlustestis võib kohalikus dokumenditöös suureneda.

Andmekaitse seisukohalt tuleb enne treeningut määrata, kas andmestik sisaldab isikuandmeid, ärisaladusi või kolmanda isiku autoriõigusega materjali. Järelõpe võib muuta kustutamistaotluse täitmise keerukamaks kui tavalises dokumendiotsingus, sest info mõju võib kanduda mudelikaaludesse.

Euroopa Liidu ettevõtte praktiline eelis võib olla kohandatud mudeli käitamine enda valitud piirkonnas või taristus. Samal ajal peab klient tõendama andmete päritolu, kasutusõigust ja mudeli muutuste kontrolli. Riveri API lihtsus ei asenda organisatsiooni enda juhtimisprotsessi.

07Eelvaate puhul loevad väljumistingimused

Riveri API on eelvaates, mistõttu võib muutuda toetatud mudelite nimekiri, hind, jõudlus või ekspordiformaat. Ettevõte peaks piloodile seadma kululae ja hoidma algandmed ning hindamistestid enda kontrolli all. Nii saab sama katse vajadusel teise teenuse või kohaliku järelõppega korrata.

Lepingus tasub eraldi kinnitada, millal kaalud üle antakse, kas need sisaldavad kõiki vajalikke adaptereid ja millisel litsentsil võib neid teises taristus käitada. Samuti peab olema selge, kuidas kustutatakse Riveri keskkonda saadetud treeningandmed ning milline logi tõendab kustutamist.

Tootmisse liikumise värav peaks olema mõõdetav. Mudel peab ületama baastaseme külmutatud testkogul, püsima kulupiiris ja läbima turvakontrolli. Kui kvaliteedivõit kaob uute andmete lisamisel või mudeli uuendamisel, peab organisatsioon saama varasema versiooni taastada.

08Kokkuvõte

River AI 1,1 miljardi dollari voor on suur panus mõttele, et järgmine väärtuskiht tekib ettevõtte enda mudelikaaludest. API teeb avatud mudelite LoRA-järelõppe ja tugevusõppe tellimise lihtsamaks ning lubab kliendil tulemuse enda valdusse saada.

Lahtiseks jääb, kas River suudab 15–20 minuti treeningu ja kaks kuni neli korda madalama kulu väite eri töödes korrata. Järgmine oluline tõend on sõltumatu võrdlus, mis arvestab lisaks treeninguhinnale andmete ettevalmistust, kvaliteedikontrolli, inferentsi ja mudeli elutsükli hooldust.

09Korduma kippuvad küsimused

Kui palju River AI raha kaasas?

River AI kaasas seemne- ja A-seeria voorudes kokku 1,1 miljardit dollarit. Ettevõte ei avaldanud tehingujärgset väärtust, seega ei ole rahastussumma sama mis Riveri väärtus.

Kes River AI asutas?

Ettevõtte asutas Igor Babuschkin, kes oli varem xAI kaasasutaja ning töötas ka teistes juhtivates tehisarulaborites. River alustas avalikult tegevust 2026. aasta juunis.

Mida Riveri API teeb?

Riveri API võimaldab avatud mudeleid LoRA ja tugevusõppe abil ettevõtte andmetele ning hindamisreeglitele kohandada. Klient saab Riveri sõnul tekkinud mudelikaalud enda valdusse.

Kas Riveri teenus asendab süsteemiprompti ja RAG-i?

Teenus ei asenda neid kõigis ülesannetes. Prompt sobib kiiresti muutuvate reeglite jaoks, RAG värskete dokumentide kasutamiseks ja järelõpe suure mahuga korduva käitumise õpetamiseks.

Kas Riveri kulu- ja kiirusväited on kinnitatud?

Ettevõtte väited 15–20 minuti pikkusest tugevusõppe jooksust ja suletud mudelitest kaks kuni neli korda madalamast kulust ei ole sõltumatult kinnitatud. Õiglane test peab kasutama sama ülesannet, kvaliteedilävendit ja kogukulu arvestust.

Mida tähendab mudelikaalude omamine?

Mudelikaalude omamine annab kliendile rohkem kontrolli käituse, versiooni ja võimaliku teenusepakkuja vahetuse üle. Organisatsioon peab siiski haldama litsentsi, taristut, turvet, hindamist ja mudeli uuendusi.

Mida peaks Eesti või EL-i ettevõte enne järelõpet kontrollima?

Eesti või EL-i ettevõte peab kontrollima treeningandmete päritolu, isikuandmete kasutust, eestikeelset kvaliteeti ja kaalude eksporditavust. Lisaks tuleb hinnata, kas kvaliteedivõit katab andmete ettevalmistamise ning mudeli pikaajalise hoolduse.