L’usage : comment Trajectory déploie Daytona
Trajectory uses Daytona's sandbox infrastructure in its reinforcement learning post-training pipelines, provisioning large numbers of isolated, stateful sandboxes in parallel where AI agents train on replicas of customers' tools and systems. Snapshots and a warm pool are used to pre-configure environments, and lifecycle controls tear sandboxes down automatically.
Autres résultats publiés
Chiffres publiés dans l’étude de cas de Daytona. usedby ne les mesure pas de façon indépendante.
700k sandboxes provisioned with Daytona
15+ hours of engineering time saved monthly
Le témoignage du client
Daytona lets us spin up environments that used to take up to 30 minutes in under five seconds. And we can do that for thousands of sandboxes at once, which is what makes efficient RL post-training possible.Les autres outils IA utilisés par Trajectory
Autres relations publiques recensées sur usedby.
Explorer la stack IA de Trajectory
Les autres entreprises qui utilisent Daytona
Des clients de différents secteurs, avec une preuve publique.
AfterQueryConfirmé
AsteroidConfirmé
BenchFlowConfirmé
CapyConfirmé
HandshakeConfirmé
Laude InstituteConfirméConsulter la source
Cette synthèse repose sur l’étude de cas publiée par Daytona. Nous vérifions la preuve publique ; les résultats sont ceux rapportés par l’éditeur.
daytona.io- Dernière vérification
- 27 oct. 2026
Ouvrir la capture Ce que dit le témoignage, et ce que nous avons vérifié
Ce que nous avons comparé à la page.
- Le chiffre : 99.6%Vérifié
Imprimé mot pour mot sur la page, près du nom de Trajectory.
- L’extrait cité plus hautVérifié
Copié mot pour mot depuis la page, près du nom de Trajectory.
- Trajectory utilise DaytonaVérifié
Ligne de niveau Confirmé.
- Le résultat lui-mêmeNon vérifié
Nous le citons ; nous ne l’avons pas mesuré.
Combined with Daytona’s warm pool of snapshot-based sandboxes, startup times have dropped from 30 minutes to seconds. That speed enables Trajectory to run RL training loops at the pace their pipeline demands, accelerating model iteration and increasing training throughput.