定位：从标注平台转向「强化学习数据引擎」
Labelbox 的首页标语已经换成「面向 AI 团队的强化学习数据引擎」，并给出更直白的说法：「AI 学会做真实工作的地方」。官方把它现在的角色概括为两件事——为前沿实验室构建训练环境，为企业提供运行智能体的平台。官网还把流程串成一条链：Work（工作）→ Fleet（智能体集群）→ Learn（学习）→ Train（训练）。这与它早期「数据标注平台」的形象差别很大，说明产品重心已转向后训练与智能体落地。
深度介绍
Labelbox详细介绍
Recursion：把目标交给一组智能体
Recursion 是面向企业工作的托管智能体平台。使用方式是给出一个目标，由协调者拆解计划，再按需要生成若干专家智能体并行执行——官方示例里 8 个智能体分别负责运行健康检查、评测核验、基线对比与报告撰写，各自跑在最合适的模型上，最后由评分智能体给出结论。关键在于「每次评分过的运行都会沉淀为记忆、技能与训练信号」，也就是说生产中的执行结果反过来成为改进模型的素材，而不是一次性任务。
Horizon：规模化生成强化学习环境
Horizon 面向后训练：官方把它描述为「大规模后训练环境」，提供面向推理、工具使用与电脑操作等能力的强化学习训练场与评测。它强调软件化生成环境，并给出校准过的奖励信号与按目标 pass@k 优化的能力。配套的 WorldSim 试图复刻企业真实环境——从代码托管、项目管理到客户关系、邮件与聊天，用接近真实的业务数据构造任务，让智能体在数百个工具调用之间完成任务并接受评测，目标是缩小训练环境与真实工作之间的差距。
Terra：把人的动作变成机器人训练数据
Terra 是机器人的数据引擎：在专门设计的采集架上记录第一人称与遥操作演示，再由「AI 多样性引擎」做标注与校验，从预训练一路支持到评测。官方给出的规格是 7 种采集架配置、每段演示最多 4 路同步摄像头，并称截至 2026 年 1 月已产出超过 1PB 数据。官方对行业瓶颈的判断也很直接：物理智能卡在数据上而不是模型上——语言模型有互联网可用，而机器人每一个演示都必须由人在真实世界里专门录制。
专家网络与客户实践
除自动化流程外，平台还提供专家网络资源，用于需要专业判断的标注与校验场景。官网的客户实践覆盖训练数据、模型评测与行业落地等方向，列出的案例包括大型社交平台的内容理解项目、云厂商的模型评测合作、电商场景与医疗器械企业等。对评估供应商的团队，这些案例的价值在于判断其能力边界：它更擅长需要专业标注与评测设计的重活，而不是轻量的通用数据清洗。
研究方向：评测方法本身也在被反思
官方博客的内容偏研究而非产品宣传，例如推出 EchoChain 这一针对全双工对话中「压力下推理」的音频基准，讨论智能体的隐式智能与「用户没说出口的需求」该如何评测，以及直言当前安全数据集可能给人一种虚假的安全感。这类文章对技术选型有参考价值：它说明团队把评测方法当作需要持续修正的问题，而不是给出一份静态榜单；同时也提醒使用者，任何单一基准都可能被针对性优化。
获取方式：免费开始与联系销售
官网提供两条入口：「免费开始」用于注册试用，「联系销售」用于企业采购；公开页面没有列出价格档位，价格路径对脚本请求返回跳转，说明定价以销售报价为主。这类面向模型团队与企业的产品，通常按数据量、环境规模或项目制计价，采购流程包含需求评估与合规审查。对预算敏感的团队，建议先用免费入口验证数据管线与评测流程，再就规模与合规要求进入商务谈判。
使用前建议留意三点
第一，无论是企业流程数据还是机器人演示数据，都会涉及隐私与授权问题，尤其是采集真实员工操作或真实场景影像时，应提前确认数据使用范围与留存策略。第二，WorldSim 这类模拟环境再真实也与生产系统存在差异，用它训练或评测出的结论需要在上线前用真实流量验证，避免「模拟环境表现好、真实环境掉链子」。第三，平台能力横跨训练环境、智能体运行与数据采集三块，落地时建议先选一条最痛的场景切入，而不是同时铺开三条线。
产品特点
核心功能与独有价值
三条产品线覆盖数据到智能体
Recursion 负责在企业真实流程里运行托管智能体，Horizon 负责规模化生成强化学习环境与评测，Terra 负责机器人演示数据的采集与校验，三者共用同一套数据与评测思路。
执行结果反哺训练
Recursion 把每一次被评分的运行沉淀为记忆、技能与训练信号，使生产中的任务结果成为改进模型的素材，而不是一次性交付。
WorldSim 复刻企业环境
Horizon 通过 WorldSim 用接近真实的业务数据重建代码托管、项目管理、客户关系、邮件与聊天等环境，让智能体在数百个工具调用之间完成任务并接受评测。
机器人数据生产有具体规格口径
Terra 提供 7 种采集架配置、每段演示最多 4 路同步摄像头，官方称截至 2026 年 1 月已产出超过 1PB 数据，并强调从预训练到评测共用一条流水线与一种片段格式。
最近动态
重要更新
Terra 数据产出规模的官方口径
Terra 产品页显示其数据产出规模为「截至 2026 年 1 月已超过 1PB」，并列出 7 种采集架配置与每段演示最多 4 路同步摄像头等规格。该数字为官方自述，反映的是其数据采集业务的体量。
产品线结构：Recursion、Horizon 与 Terra（核验时点）
官网当前把产品分为 Recursion（企业托管智能体平台）、Horizon（后训练用的强化学习环境与评测，含 WorldSim 企业环境模拟）与 Terra（机器人数据引擎）三块，并保留专家网络等资源；首页流程表述为 Work → Fleet → Learn → Train。
定位表述更新为 RL 数据引擎（核验时点）
官网首页标题已改为「面向 AI 团队的强化学习数据引擎」，并称其「为前沿实验室构建训练环境、为企业提供运行智能体的平台」。这说明其对外定位已从早期的数据标注平台转向后训练数据与智能体运行。
研究型博客与评测方法讨论（核验时点）
官方博客近期发布的内容包括全双工对话音频基准 EchoChain、关于智能体隐式智能与用户未言明需求的评测讨论，以及对当前安全数据集有效性的质疑文章，显示团队在评测方法论上有持续投入。
产品总结
Labelbox 现在的定位是「面向 AI 团队的强化学习数据引擎」，官网给出的说法是「AI 学会做真实工作的地方」，并把它自己的角色概括为两件事：为前沿实验室构建训练环境，为企业提供运行智能体的平台。产品分为三条线：Recursion 是面向企业工作的托管智能体平台，Recursion 的用法是给出一个目标，由协调者拆解计划、生成若干专家智能体并行执行，最后交给评分智能体给出结论；官方强调每次被评分的运行都会沉淀为记忆、技能与训练信号，也就是说生产执行结果会反过来用于改进模型。 Horizon 面向后训练，官方称其为「大规模后训练环境」，提供面向推理、工具使用与电脑操作的强化学习训练场与评测，强调软件化生成环境、经过校准的奖励信号以及按目标 pass@k 优化；配套的 WorldSim 试图复刻企业真实环境，从代码托管、项目管理到客户关系、邮件与聊天，用接近真实的业务数据构造任务，让智能体在上百个工具调用之间完成工作并接受评测。Terra 则是机器人的数据引擎：在专门设计的采集架上记录第一人称与遥操作演示，由「AI 多样性引擎」完成标注与校验，从预训练一直支持到评测；官方给出的规格是 7 种采集架配置、每段演示最多 4 路同步摄像头，并称截至 2026 年 1 月已产出超过 1PB 数据。 平台另提供专家网络资源，用于需要专业判断的标注与校验场景；官网客户实践覆盖大型社交平台的内容理解、云厂商的模型评测合作、电商与医疗器械等方向。官方博客的内容偏研究，例如推出针对全双工对话「压力下推理」的音频基准 EchoChain、讨论智能体隐式智能与用户未言明需求的评测方式，以及质疑当前安全数据集是否会带来虚假的安全感。 获取方式方面，官网提供「免费开始」与「联系销售」两条入口，没有公布公开价目，价格路径对脚本请求返回跳转，说明定价以销售报价为主。使用前建议注意三点：企业与机器人数据都涉及隐私与授权，采集真实员工操作或场景影像前应确认使用范围与留存策略；模拟环境再真实也与生产系统存在差异，相关结论上线前需用真实流量验证；平台能力横跨训练环境、智能体运行与数据采集，建议先选一条最痛的场景切入，而不是三条线同时铺开。
- 产品类型
- AI 训练数据与智能体平台
- 支持平台
- 托管智能体平台 Recursion / 强化学习环境与评测 Horizon / 机器人数据引擎 Terra / 企业环境模拟 WorldSim / 专家网络与标注服务 / 面向企业的部署与销售支持
- 资费模式
- 官网提供「免费开始」与「联系销售」两条入口，未公布公开价目；企业方案按需报价。
核验信息
参考文章与数据来源
本页事实来自 Labelbox 官方渠道：官网首页（「面向 AI 团队的强化学习数据引擎」定位、「为前沿实验室构建训练环境、为企业提供运行智能体的平台」表述、Work→Fleet→Learn→Train 流程与多智能体示例）、Recursion 产品页（目标—协调者—专家—评分者流程、执行结果沉淀为记忆与训练信号）、Horizon 产品页（后训练环境、强化学习训练场与评测、校准奖励信号与 pass@k、WorldSim 企业环境模拟）、Terra 产品页（第一人称与遥操作采集、AI 多样性引擎、7 种采集架与 4 路同步摄像头、截至 2026 年 1 月超过 1PB 的官方口径）、官方博客（EchoChain 基准、隐式智能与智能体评测、安全数据集讨论）。价格未公开披露，以销售报价为准；信息核验于 2026 年 9 月 22 日。
用户体验调查
Labelbox介绍页面对您是否有帮助？