Flam 完成 4000 万美元 B 轮：互动内容能否成为企业营销的下一个默认格式

企业内容的生产方式在过去二十年里完成了几次范式迁移：从图文网页到信息流，从录播视频到直播，但每一次迁移都没有改变一个底层结构——内容从创作者单向流向观看者。品牌方可以测量曝光、点击、完播率，却无法让内容本身对观看者的行为作出实时响应。当生成式 AI 把文本、图像和视频的生产成本打到地板价之后，一个更棘手的问题浮出水面：如果所有企业都能廉价地生产大量内容，那么内容的差异化价值究竟在哪里？

Flam 给出的答案是互动。这家总部位于旧金山的公司于 2026 年 9 月 14 日宣布完成 4000 万美元 B 轮融资，由 QED Investors 领投，Claypond Capital、Martin Chavez、Olivier Pomel、Venky Harinarayan 和 Shahrukh Khan 参投，现有投资方 RTP Global 与 Dovetail 追加投资。Flam 创始人兼首席执行官 Shourya Agarwal 将公司的起点概括为一个观察：内容从文本到图片再到视频，每一波浪潮都是单向流动的，而“互动是互联网的下一个默认形态”。

这个判断并不新鲜。从 Flash 时代到 HTML5，从可点击视频到 AR 滤镜，互动内容每隔几年就会被重新发明一次，但始终没有成为企业营销的默认基础设施。Flam 的特殊之处在于，它把互动内容的交付问题从“创意生产”转移到了“基础设施性能”——首帧缓冲 50 毫秒、3D 流式加载 300 毫秒、视觉代理首 token 响应 30 毫秒。这些数字构成了 Flam 叙事中最核心的技术主张，也构成了它最需要被独立验证的部分。

三套产品格式共享一个命题：把“等待”从互动中剔除

Flam 的产品矩阵由三种格式构成：Flicks、Airboards 和 Visual Agents。据公司披露，Flicks 是互动视频，观看者可以在播放过程中切换人物、产品或场景，采用专利压缩算法进行程序化交付，首帧缓冲时间为 50 毫秒。Airboards 则是通过摄像头界面呈现的高保真 3D 内容，支持触摸、语音交互和触觉反馈，3D 流式加载时间为 300 毫秒，无需安装独立应用。Visual Agents 是类人角色，以视频通话而非聊天窗口的形式与用户对话并执行代理操作。

三种格式在表面上覆盖了不同的内容场景——营销物料、产品可视化、客户支持——但它们共享同一个技术命题：互动内容之所以长期未能普及，核心瓶颈不在于创意能力，而在于响应延迟。一个需要用户等待三秒才能加载的互动视频，无论创意多精良，都会在用户注意力耗尽之前失去意义。Flam 的策略是把延迟压缩到接近视频播放的体验阈值之内。50 毫秒的首帧缓冲意味着用户感知不到“加载”这个动作本身；300 毫秒的 3D 加载则接近人眼对场景切换的感知边界。

这些性能数据目前仅来自公司披露，未见独立第三方测试报告。从技术逻辑上看，50 毫秒的首帧缓冲在 CDN 边缘节点预渲染的条件下是可以实现的，但这高度依赖部署规模和网络条件；300 毫秒的 3D 流式加载则取决于资产复杂度、设备 GPU 能力和网络带宽。Flam 拥有 15 项以上专利，这在一定程度上为其技术主张提供了制度性背书，但专利数量本身并不等同于实际交付性能。专利可以证明技术路线的独特性，却无法证明该路线在真实企业环境中的稳定性。

三个 AI 模型与一个 260 亿参数 LLM：技术栈的纵向整合逻辑

Flam 的技术架构由三个自有 AI 模型和一个大语言模型组成。据公司披露，Fable 是图像到视频模型，负责生成原生 alpha 通道视频资产，为 Airboards 提供 3D 内容素材；Fantom 负责面部表情的身份保持与动作迁移，以生成式流式传输驱动 Visual Agents 的面部表现；Finesse 处理任意语言的语音；Falcon 是一个 260 亿参数的混合专家（MoE）大语言模型，首 token 响应时间为 30 毫秒，整个流程在 2 秒内返回答案。

这套技术栈的纵向整合程度在互动内容领域并不多见。大多数互动内容公司选择在现有基础模型之上做应用层开发，而 Flam 选择同时控制资产生成、面部驱动、语音合成和对话推理四个环节。这种做法的优势在于可以对全链路延迟进行端到端优化——如果面部表情生成依赖外部模型，那么 Visual Agents 的 2 秒响应承诺就无法由 Flam 单方面保证。但代价同样明显：四个环节的研发投入会同时消耗工程资源和资金，而任何一个环节的迭代速度落后于专用模型公司，都可能成为系统瓶颈。

260 亿参数的 MoE 架构是一个值得注意的选择。MoE 模型通过只激活部分参数来降低推理成本，在延迟敏感场景下比同规模的稠密模型更具优势。但 260 亿参数在 2026 年的基础模型竞争中属于中等规模，远低于前沿实验室的旗舰模型。Flam 的逻辑似乎是：在互动内容的特定任务中，一个经过针对性优化的中等规模模型，比一个通用旗舰模型更能满足延迟和成本约束。这个逻辑是否成立，取决于 Falcon 在真实企业对话场景中的任务完成质量，而非仅看首 token 响应速度。30 毫秒的首 token 时间只能说明模型开始输出，不能说明输出的内容质量。

六个季度 100 家客户：增长速度与收入质量的交叉验证

Flam 披露的商业化数据包含两个关键数字：六个季度内签约超过 100 家企业客户，以及据称正快速接近 1 亿美元年度经常性收入（ARR），目标为明年达到。客户名单中包括 Google、State Farm 和 Diageo。从客户行业分布看，Flam 的应用场景横跨科技、保险和消费品，覆盖营销、产品可视化、学习与发展、娱乐、粉丝互动、客户支持和销售七个方向。公司具体营收数据未披露，公开材料仅提及接近 1 亿美元 ARR 的目标。

将这两个数字放在一起看，可以得出一个编辑假设下的粗略平均值：100 家客户对应接近 1 亿美元 ARR，意味着平均单客户年合同价值接近 100 万美元。需要明确的是，这一推演是编辑基于两个公司口径的算术推演，而非已确认的收入结构结论；它依赖 ARR 计算口径、客户去重与合同期限三个未披露变量。如果 ARR 数字准确且客户去重口径一致，那么 Flam 的收入结构可能高度依赖少数大客户；如果平均合同价值远低于 100 万美元，那么 ARR 接近 1 亿美元的说法就需要更多解释。公司未披露客户合同的具体分布，也未披露 ARR 的计算口径，因此这两个数字之间的张力目前无法从公开信息中消解。

另一个值得注意的信息是 Flam 的融资历史。据 FinSMEs 报道，Flam 于 2025 年 5 月完成 1400 万美元 A 轮融资，由 RTP Global 领投，Dovetail 等参投。印度初创媒体 indianstartupnews 当时报道称，该轮融资后 Flam 累计融资 2200 万美元。而 Tracxn 页面显示 Flam 累计融资 2250 万美元、共 4 轮。如果这些数据准确，那么从 A 轮到 B 轮之间，Flam 的累计融资额从约 2200 万美元跃升至约 6200 万美元，B 轮单轮融资额接近此前累计融资额的两倍。这种融资节奏的跳跃，与公司声称的六个季度 100 家客户和接近 1 亿美元 ARR 的增长叙事在方向上一致。但 Tracxn 数据与新闻稿之间的冲突存在三种并列可能：一是 Tracxn 数据未更新，这是融资数据库的常见滞后原因；二是统计口径不同；三是 Flam 的早期融资历史存在未完全公开的部分。需要补充的是，Tracxn 页面本身为自动聚合型数据库，其数据可能因抓取滞后或口径差异而与官方披露不一致，可靠性有限。当前公开材料无法区分上述三种可能。

QED 的跨界押注：从金融科技到互动内容基础设施

QED Investors 以金融科技投资闻名。QED 领投一家 AI 互动内容公司，在投资逻辑上需要解释。Morris 在 Yahoo Finance 转载的付费新闻稿中的表述是：“几乎每一家前沿 AI 内容公司都在优化已经存在的东西。Flam 指向了别的东西：内容生态系统中还有多少未被触及的部分。这个缺口比大多数人想象的要大。”QED 合伙人 Sandeep Patil 则强调：“每一次互联网内容的重大转变都创造了新的平台和新的赢家。让我们相信 Flam 会成为其中之一的不只是增长率，还有他们 AI 研究的速度以及选择在其上构建的合作伙伴。”上述投资方声明来自 Yahoo Finance 转载的付费新闻稿，具有宣传性质，读者应结合这一来源性质理解其表述。

这两段投资方声明提供了 QED 的投资框架：押注内容形态的范式转移，而非在现有形态上做效率优化。这个框架的风险在于，“互动是下一个默认形态”本身是一个尚未被验证的前提。过去二十年里，互动内容的每一次技术突破——Flash、HTML5、AR、VR——都曾被认为将重塑内容生态，但最终都停留在特定场景中，未能成为通用基础设施。Flam 的差异化在于它把延迟压缩到了接近被动视频的水平，这是此前互动内容从未实现过的技术条件。但技术条件的成熟并不自动意味着市场采纳的发生。

从资本结构看，本轮投资方组合呈现出明显的混合特征：QED 作为金融科技背景的机构投资者领投，Claypond Capital 和 Martin Chavez 代表金融与科技交叉领域的资本，Olivier Pomel、Venky Harinarayan 和 Shahrukh Khan 则为个人或机构投资者。这种投资方组合暗示，Flam 的叙事同时触及了基础设施、企业软件和内容平台三个投资主题。现有投资方 RTP Global 和 Dovetail 的追加投资，则提供了内部人对公司进展的持续信心信号。

旧金山总部与印度基因：一个公司的双重身份

Flam 的公司身份存在一个值得注意的张力。Yahoo Finance 新闻稿和 FinSMEs 均将 Flam 描述为总部位于旧金山的公司，同时提到其在印度和日本设有团队。但腾讯新闻在 2025 年 5 月报道 A 轮融资时，将 Flam 描述为“印度混合现实初创公司”，并称其最初于 2021 年创立，专注于为品牌提供混合现实体验，用户扫描报纸、包装盒、广告牌和杂志即可看到品牌数字内容。Tracxn 页面则显示 Flam 位于印度孟买。这一地理冲突与官方新闻稿中的旧金山总部定位形成直接对照，进一步凸显了公司身份叙事中的双重性。

这种定位差异并非简单的信息错误。它反映了一家公司在全球化过程中对自身叙事的主动管理。对于一家面向美国企业客户销售的 AI 基础设施公司，“旧金山总部”是融资叙事中的关键要素；而对于印度市场和早期用户，“印度初创公司”的身份则承载着不同的认知价值。腾讯新闻的报道还提到一个 Yahoo Finance 新闻稿未提及的信息：Flam 团队表示自己在印度市场已经实现盈利，且“差不多一年前就开始在这里盈利”。如果这一信息准确，那么 Flam 的商业模式在印度市场已经通过了某种程度的验证，而美国市场的扩张则是在此基础上的规模化尝试。

这种“印度盈利、美国扩张”的路径在 SaaS 领域并不罕见，但它给 Flam 的 ARR 叙事增加了一个维度：接近 1 亿美元的 ARR 目标中，有多少来自印度市场的既有业务，有多少来自美国市场的新增客户？公司未披露收入的地域分布，因此无法判断美国市场的独立商业化能力。从客户名单看，Google、State Farm 和 Diageo 均为美国或全球性企业，这暗示美国市场至少贡献了相当比例的收入。但“相当比例”的具体含义，目前只能停留在推断层面。

资金用途的潜台词：研发优先于销售扩张

Flam 披露的本轮资金用途为：Flam AI 模型的研发、扩展产品套件、以及在全球范围内扩大企业销售。这个排序本身具有信息量。研发被放在第一位，产品扩展第二，销售扩张第三。对于一家据称正快速接近 1 亿美元 ARR 的公司，将销售扩张放在资金用途的末位，说明管理层认为当前的核心约束不是获客能力，而是技术壁垒的持续深化和产品线的扩展。

这个判断与 Flam 所处的竞争环境有关。互动内容领域目前没有出现占据主导地位的平台型公司，但生成式 AI 的快速迭代意味着，任何基于现有模型能力的应用层优势都可能被基础模型的进步所侵蚀。Flam 选择自研三个 AI 模型和一个 LLM，本质上是在构建一条对抗基础模型迭代的护城河。如果 Flam 依赖外部模型，那么当 OpenAI、Google 或 Anthropic 发布更强大的多模态模型时，Flam 的技术优势将迅速缩小。自研模型虽然成本更高，但提供了对性能边界和延迟优化的直接控制权。

然而，这条护城河的可持续性取决于 Flam 的研发效率能否持续匹配甚至超越基础模型实验室的进步速度。4000 万美元的 B 轮融资在 AI 基础设施领域属于中等规模，远低于基础模型公司的单轮融资额。Flam 需要在三个模型和一个 LLM 上同时保持竞争力，而每个方向都有资金更充裕的竞争对手。这是一个资源分配的经典困境：横向覆盖多个技术环节可以构建系统级优势，但也可能分散兵力，导致在任何一个环节都无法建立绝对领先。

风险与待验证假设：性能数据、收入质量与范式转移的三重不确定性

Flam 的叙事建立在三个核心假设之上，每一个都尚未被独立验证。第一个假设是技术性能数据的真实性和可复制性。50 毫秒首帧缓冲、300 毫秒 3D 加载、30 毫秒首 token 响应、2 秒内返回答案——这些数字构成了 Flam 区别于竞争对手的核心技术叙事，但全部来自公司披露，未见独立测试或客户公开验证。在企业采购场景中，这些性能指标需要在真实的网络条件、设备多样性和并发负载下被反复验证，而非在受控环境中测得的最优值。

第二个假设是收入质量与增长速度的匹配。六个季度 100 家客户和接近 1 亿美元 ARR 是两个强增长信号，但两者之间的平均合同价值张力、客户集中度、续约率和收入确认方式均未披露。如果 ARR 中包含大量尚未确认的合同承诺，或者客户集中度过高，那么“接近 1 亿美元”的实际意义将大打折扣。从已披露的客户名单看，Google、State Farm 和 Diageo 三家均为大型企业，如果这三家贡献了 ARR 的相当比例，那么 Flam 的收入结构将面临大客户集中风险。

第三个假设是“互动成为互联网下一个默认形态”的范式转移判断。这个判断在逻辑上自洽——如果互动内容的响应速度接近被动视频，那么互动确实可能成为默认选择——但从技术条件成熟到市场行为改变之间，存在一个难以预测的采纳周期。企业内容预算的重新分配、创意团队的工作流程改造、效果衡量标准的建立，这些都是比技术性能更慢的变量。Flam 的 100 家客户证明早期采用者存在，但早期采用者与主流市场之间的鸿沟，恰恰是互动内容历史上反复跌倒的地方。

从已披露的信息看，Flam 的 B 轮融资完成了一个关键跳跃：从一家在印度市场验证商业模式的混合现实初创公司，转变为一家面向全球企业客户、拥有自研 AI 模型栈的互动内容基础设施公司。这个转变的完成度，取决于上述三个假设在接下来 12 到 18 个月内的验证情况。4000 万美元提供了验证所需的资金，但资金本身无法替代验证结果。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：Flam 真正的赌注不是“互动内容会流行”，而是“当互动内容的响应速度追平被动视频时，企业的内容预算会系统性迁移”。这个赌注的技术前提——50 毫秒、300 毫秒、30 毫秒——目前只有公司自己的数字在支撑。如果这些数字在客户环境中被反复验证，Flam 有可能成为互动内容的基础设施层；如果它们只是受控环境下的最优值，那么 Flam 讲述的仍是一个 Flash 时代以来被反复讲述的故事，只是换了 AI 的外壳。范式转移的叙事永远比范式转移本身更早到来。