2025年，马克·麦奎德做了一个只属于AI时代的赌博。他创办的Arcee AI原本专注于后训练——把现成模型调教得更符合人类使用习惯。但他看到了一个缺口：当企业买家越来越想要控制模型权重、掌控部署方式时，市场上却没有一个真正由美国实验室从零构建的开源权重模型能与中国的DeepSeek、Qwen正面抗衡。于是他决定转向，从微调别人的模型，变成自己从头训练模型。
这个决定在2026年9月16日被资本标记了价格。据《Fortune》独家报道，Arcee AI完成了B轮融资，投前估值10亿美元。公司拒绝披露本轮具体融资额，但一位知情人士告诉《Fortune》，金额至少为1.5亿美元。AlphaSignal则直接以“约1.5亿美元”作为标题，并指出若全额为新一级资本，投后估值约为11.5亿美元，但最终数字取决于交易结构。
一家成立仅三年、2025年整个模型阵容端到端训练成本约2000万美元的公司，如今被推上独角兽位置。这笔交易的核心叙事不是技术参数的绝对领先，而是一个地缘与产业交织的命题：美国企业是否需要一套“自己可以拥有”的开源权重模型。
| 字段 | 内容 |
|---|---|
| 公司 | Arcee AI |
| 轮次 | B轮 |
| 金额 | 至少1.5亿美元（公司未披露具体金额，消息人士称至少1.5亿美元；部分来源称约1.5亿美元） |
| 投资方 | Vista Equity Partners、Cambium Capital、Emergence Capital领投；Microsoft’s M12、AI10 Ventures、Hitachi、IAG、P7、Wipro参投 |
| 总部 | 旧金山（据AlphaSignal称“The San Francisco lab”） |
| 创始人 | 马克·麦奎德（Mark McQuade），Hugging Face早期员工 |
| 官网 | https://www.arcee.ai |
从Hugging Face早期员工到400B参数模型：一条被压缩的训练成本曲线
Arcee AI的起点并不性感。公司2023年成立时，做的是微调和优化现有模型。创始人马克·麦奎德是Hugging Face早期员工，这个背景意味着他比大多数创业者更早接触开源模型社区的运作逻辑：权重开放、社区分发、企业定制需求混杂在一起。但微调是一门天花板明显的生意——你永远依附于别人的基座模型，每一次上游迭代都可能吃掉你的差异化。
于是Arcee转向从零构建开源权重模型。据AI Weekly报道，创始人称公司训练了四个开源权重模型，其中包括400B参数的Trinity Large，整个2025年模型阵容端到端成本约2000万美元。这个数字在当下动辄数亿美元训练预算的语境里显得异常克制。作为参照，DeepSeek和Qwen背后的实验室从未完整披露过单次训练成本，但行业普遍认知是，400B级模型的训练成本通常远高于2000万美元。Arcee没有解释这个成本是如何实现的——是架构优化、数据策略、还是算力合作，来源材料均未披露。
创始人还声称基准测试匹配Mistral并击败Llama 3。这是公司口径，目前没有独立第三方基准测试机构对这些说法进行验证。在开源模型领域，基准测试的选择、评估协议、few-shot设置都会显著影响排名，单一公司的自报成绩需要谨慎对待。但即便打折扣，一个用2000万美元训练出400B参数模型并敢于公开叫板Mistral和Llama 3的团队，至少证明了它在训练效率上有某种值得关注的能力。
开源权重不是开源模型：企业买家的控制权焦虑才是真正的卖点
Arcee的商业模式建立在一个容易被混淆的概念上：开源权重（open-weight）不等于开源模型。开源权重意味着模型参数可以被下载、微调、部署在自有基础设施上，但训练数据、训练代码、数据清洗流程通常不公开。对企业买家而言，这恰恰是吸引力所在——他们不需要知道模型是怎么造出来的，他们需要的是拿到权重后可以完全控制部署环境、数据流向和推理成本。
这正是Arcee对标DeepSeek和Qwen的切入点。据AlphaSignal报道，Arcee的定位明确：美国开源权重的替代方案，对标中国实验室。这个定位背后是真实的产业约束：许多美国企业，尤其是政府相关机构和受监管行业，出于合规、数据主权和供应链安全考虑，不能或不愿使用中国实验室的模型权重。DeepSeek和Qwen在技术能力和成本效率上已经证明了自己，但它们的地缘属性让一部分美国买家望而却步。Arcee试图填补的，就是这个“美国制造的开源权重”空位。
但这里存在一个编辑推断需要写清推理链：从已披露的Arcee定位和投资方构成看，这意味着它瞄准的不是消费级AI应用开发者，而是有严格部署控制需求的企业和政府客户；但Arcee的客户名单、实际部署案例、与美国能源部合作的具体规模和内容均未披露，因此这个商业逻辑是否已经转化为真实收入，结论边界是——尚未被公开信息证实。
Vista领投的资本结构：软件组合公司的渠道比钱更重要
本轮融资的领投方构成值得拆解。Vista Equity Partners是全球最大的企业软件投资机构之一，旗下拥有大量SaaS和企业软件组合公司。Cambium Capital和Emergence Capital也都是企业软件领域的活跃投资者。参投方中，Microsoft’s M12代表微软的企业软件生态，Hitachi代表工业与基础设施场景，Wipro代表IT服务与系统集成渠道，IAG和P7则可能带来特定区域或行业的商业资源。
这个资本结构透露的信号是：Arcee的B轮不是一笔单纯的模型研发融资，而是一次企业分发渠道的提前布局。据PANews报道，资金将用于开发新的开源权重模型和产品、扩大与美国能源部的合作、以及与Vista投资组合公司合作。最后一项尤其关键——Vista的软件组合公司本身就有大量企业客户，如果Arcee的模型能够嵌入这些公司的产品线，它就不需要从零搭建销售团队去逐个攻破企业客户。
但这里需要区分投资方声明与商业现实。Vista带来渠道是投资方和公司共同传递的叙事，目前没有公开信息显示任何一家Vista组合公司已经实际采用Arcee的模型。M12、Hitachi、Wipro的参投同样停留在战略协同的想象层面。从已披露信息看，这些合作尚未转化为可验证的商业合同或收入数据。
2000万美元训练四个模型：效率叙事背后的未验证假设
Arcee最引人注目的数据点是成本效率。据AI Weekly报道，创始人称四个开源权重模型——包括400B参数的Trinity Large——整个2025年模型阵容端到端成本约2000万美元。如果这个数字属实，它意味着Arcee的单位参数训练成本远低于行业平均水平。但来源材料没有提供任何成本拆解：这2000万美元是否包含数据采集与清洗、是否包含失败的实验、是否包含人力成本、是否依赖了外部算力补贴或合作伙伴的算力支持，全部未披露。
更关键的问题是：低成本训练出来的模型，在真实企业场景中的性能是否可持续。创始人称基准测试匹配Mistral并击败Llama 3，但这是公司口径，没有独立验证。即便基准测试成绩属实，基准测试与真实企业工作负载之间也存在巨大鸿沟。一个在公开基准上表现不错的模型，可能在长文档理解、结构化数据推理、多轮工具调用等企业实际场景中暴露出短板。Arcee尚未披露任何企业客户的部署案例或性能反馈。
从已披露的2000万美元成本与至少1.5亿美元融资额看，这意味着本轮融资规模是2025年全年模型训练成本的7.5倍以上。这个比例本身不异常——模型公司需要为未来几年的训练和产品化储备资金——但它也意味着，Arcee需要在未来18到24个月内证明，它能把低成本训练的优势转化为可重复的企业收入，而不是仅仅停留在“我们训练得很便宜”的技术叙事上。
与DeepSeek和Qwen的竞争：地缘叙事能撑起多少估值溢价
Arcee的竞争格局需要放在一个更残酷的坐标系里审视。DeepSeek和Qwen不仅在技术能力上持续迭代，更重要的是它们背后有中国实验室的算力资源和工程人才池。DeepSeek的V3和R1系列已经在全球开源社区建立了事实标准，Qwen则在多模态和工具调用能力上快速推进。Arcee的Trinity Large在参数规模上与它们处于同一量级，但参数规模从来不是竞争力的充分条件。
Arcee的差异化武器是地缘属性：美国实验室、美国资本、美国企业软件生态。这个定位在特定客户群体中确实有真实需求——尤其是政府机构、国防相关企业和受CFIUS审查影响的行业。与美国能源部的合作虽然规模和内容未披露，但至少说明Arcee已经在接触政府客户。然而，地缘叙事能否支撑10亿美元投前估值，取决于一个关键问题：愿意为“美国制造”支付溢价的企业客户，数量是否足够大、付费意愿是否足够强。
另一个竞争维度是Mistral和Llama 3。Mistral是欧洲开源权重模型的代表，Llama 3则是Meta的开源旗舰。Arcee创始人声称基准测试击败Llama 3，但Meta的模型迭代速度和生态影响力是Arcee目前无法比拟的。Llama 3拥有庞大的开发者社区、云厂商原生支持和丰富的微调工具链。Arcee作为一个新进入者，需要在模型性能之外，同时解决开发者生态、部署工具、企业支持体系等一系列问题。
资金用途与美国能源部合作：政府客户是护城河还是单点依赖
据PANews报道，Arcee的B轮资金有三个明确用途：开发新的开源权重模型和产品、扩大与美国能源部的合作、与Vista投资组合公司合作。其中，美国能源部合作是唯一被点名的具体客户关系。这既是信号也是风险。
信号在于，政府客户通常意味着长期合同、高转换成本和稳定的收入预期。如果Arcee能够在美国能源部的场景中证明其模型的安全性和可靠性，它就有机会向其他联邦机构和受监管行业复制。风险在于，政府合作的具体内容、合同金额、部署规模全部未披露。如果Arcee的收入过度依赖单一政府客户，它的商业化故事就会变得脆弱。政府预算周期、政策变化、技术审查都可能影响合作的持续性。
从已披露信息看，Arcee与美国能源部的合作处于“扩大”阶段，这意味着它已经存在某种形式的合作基础。但合作的性质——是研究合作、试点部署还是商业合同——来源材料没有说明。这个信息缺口直接影响对Arcee商业化进度的判断。
风险与待验证假设：独角兽估值的三个未解问题
Arcee的10亿美元投前估值建立在三个尚未被公开信息验证的假设之上。第一，2000万美元训练400B参数模型的成本效率是否可复制。如果这个数字依赖了某种不可持续的外部条件——比如一次性算力折扣、特定合作伙伴的支持、或者不包含完整数据成本的会计口径——那么未来的训练成本可能显著上升，侵蚀公司的技术叙事。
第二，企业买家对“美国开源权重”的付费意愿是否足以支撑商业化。Arcee目前没有披露任何付费客户、合同金额或收入数据。投资方带来的渠道资源是否能够转化为实际订单，仍然是一个未经验证的假设。Vista的组合公司、Hitachi的工业客户、Wipro的企业服务客户，这些潜在渠道的转化率和转化周期都没有公开信息。
第三，Arcee能否在模型性能上持续追赶DeepSeek和Qwen。开源权重模型领域的竞争是动态的，今天的基准测试成绩可能在下一个版本发布后就过时。Arcee的团队规模、算力储备和研发投入均未披露，它是否有能力在长期竞争中保持技术迭代速度，是一个无法从当前信息中判断的问题。
此外，融资额本身的不确定性也值得注意。公司拒绝披露具体金额，所有关于1.5亿美元的说法都来自消息人士。投后估值取决于交易结构——如果本轮包含次级股份转让、可转换工具或其他非标准条款，实际进入公司资产负债表的新资本可能低于1.5亿美元。这些结构细节对判断公司的真实资金储备至关重要，但来源材料没有提供。
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：Arcee AI的B轮融资是一个关于“美国开源权重”的叙事实验。它用2000万美元训练成本换来了10亿美元投前估值，但这个估值里有多少是技术效率的溢价，有多少是地缘叙事的溢价，目前无法拆解。真正的考验不在融资公告里，而在接下来的18个月：Vista的渠道能否变成订单，能源部的合作能否变成收入，Trinity Large能否在真实企业场景中证明自己。如果这三个问题得不到肯定答案，独角兽标签就只是一张没有现金流支撑的估值票据。