在衍生品交易台，一个定价错误不会像聊天机器人答错一道历史题那样，只换来用户的一次皱眉。它可能意味着希腊字母敞口计算偏差、保证金要求误判，或是在一个流动性突然收紧的交易日里，让一笔看似中性的组合暴露出未被识别的尾部风险。这正是金融大模型进入机构级场景时最尴尬的处境：它已经能流畅解释什么是障碍期权、什么是波动率微笑，但当交易员把一份包含敲出条款、观察频率和提前终止权的真实合约丢给它，要求其在特定市场快照下给出可复核的定价与归因时，语言模型的“聪明”往往迅速失效。
Freeride AI 试图把这条从“概念认知”到“落地执行”的鸿沟变成自己的产品边界。近日，Ace Labs 旗下 Freeride AI 宣布完成数百万美元种子轮融资，由 L2F 光源创业者基金投资。与许多在 Demo 日之后才拿到支票的 AI 公司不同，据投资方声明，这是一笔在 Demo 推出前就已经敲定的投资。投资方给出的理由并不复杂：在衍生品定价这类领域，“什么才是对”只存在于少数资深从业者的经验判断中，既没有公开在网络上，也不会完整写在教科书里；只有能定义“正确”的团队，才可能训练出合格的专业模型。
这笔钱将用于何处，公司给出的口径同样指向“正确”的构建过程：金融专业模型研发、专业任务的训练与评测，以及自进化方向的模型研究。后续，公司将推进首版自有金融模型与机构产品的验证，重点覆盖机构级衍生品定价、风险分析和投资研究等专业场景。换句话说，Freeride AI 的种子轮故事，不是一家公司拿着通用大模型 API 做一层金融问答界面，而是试图从模型训练、评测标准到交付形态，重新定义垂类金融模型在机构工作流中的位置。
| 字段 | 内容 |
|---|---|
| 公司 | Freeride AI（Ace Labs 旗下） |
| 轮次 | 种子轮 |
| 金额 | 数百万美元（具体金额未披露） |
| 投资方 | L2F 光源创业者基金 |
| 总部 | 未披露 |
| 创始人 | 张子辰 Zane（联合创始人）；沈方正 William（联合创始人兼 AI 负责人） |
| 官网 | https://freerideai.io/ |
“正确结果”不在互联网上，而在交易台的隐性经验里
L2F 光源创业者基金在解释投资逻辑时，给出了一个值得拆解的对比：写代码的场景里，代码对不对机器可以直接验证，因此通用模型最先占领了这个场景；但衍生品定价领域，“什么才是对”只存在于少数资深从业者的经验判断中。这一判断把 Freeride AI 的竞争位置从“模型能力竞赛”拉回到了“领域知识稀缺性”上。
从已披露的创始人履历看，这种稀缺性至少部分成立。联合创始人张子辰 Zane 拥有牛津大学数学背景，曾在摩根士丹利伦敦和摩根大通香港从事复杂衍生品交易，后负责华泰国际的多资产交易业务。联合创始人兼 AI 负责人沈方正 William 拥有牛津大学物理背景，曾在瑞银、Evercore 和麦格理资本从事投行及投资相关工作，后在剑桥大学攻读计算机科学博士，并参与到 Meta、Oracle 等大厂的 AI 模型训练和 AI 系统的研究。据公司披露，沈方正负责公司的模型路线、训练与评测工作，将金融业务中的专业要求转化为可研究、可验证的模型能力目标。
这意味着 Freeride AI 的创始组合，恰好覆盖了投资方所说的两端能力：一端是复杂衍生品交易的实战经验，另一端是金融行业背景与模型训练能力的叠加。但需要明确的是，履历本身只能证明团队“见过”机构级定价与风险分析的工作流，并不能直接证明其模型已经能够稳定输出符合机构标准的结果。公司目前尚未披露首版自有金融模型的具体性能指标、评测基准或客户验证案例。因此，从已披露信息看，团队背景构成的是进入这一市场的必要条件，而非充分条件。
垂直模型不是缩小版通用模型，而是重新定义任务边界
Freeride AI 的产品路线，与“给通用大模型套一层金融问答界面”形成了明确区隔。据公司披露，其研发重点是自有金融专业模型的训练，将专业任务的能力提升和产品交付深度结合。团队建设同时覆盖模型研究、金融专业知识和工程实现三大核心：模型研究团队深度融入金融业务场景，解构复杂任务的底层逻辑；金融专家则深度参与定义专业标准，确保输出结果的精准性、完整性与商业价值。
这一组织设计在纸面上回应了一个真实问题：金融垂直模型的训练，不只是让模型掌握更多知识，也要让它学会在专业约束下完成任务。以衍生品定价为例，模型不仅需要读懂文本，还需要厘清定量关系、业务约束与不同假设之间的差异。一个语言流畅的答案，绝不等于具备决策价值的专业交付物。Freeride AI 的切入逻辑，是把定价、风险分析和投资研究视为验证综合能力的方向，而非演示场景。
但这里存在一个尚未被公开信息回答的关键问题：自有金融专业模型的基础架构是什么？是从零开始预训练，还是基于某个开源或商业基座模型进行领域微调？公司未披露模型参数规模、训练数据来源、算力投入或与通用模型的性能对比。在金融领域，训练数据的合规性、授权边界和时效性往往比模型架构本身更敏感。如果 Freeride AI 无法说明其训练数据如何获得、如何更新、如何隔离潜在的利益冲突，机构客户在尽职调查环节就可能止步。
STAR 自进化系统：从生成信号到优化研究策略
与专业模型训练并行，Freeride AI 还在推进一项名为 STAR 的自进化系统研究。团队参与的最新研究论文《STAR Analyst: Self-Tuning Alpha Research》显示，STAR 将优化的对象进一步扩展到研究智能体本身：不仅关注研究产出本身，更关注其如何自主优化未来研究的策略。据公司披露，这代表了一种自我演进（Self-Evolving）的研发探索，其核心意义在于让 AI 有机会从金融数据和任务反馈中自主捕捉有效的训练讯号，实现高度自动化与灵活适应，从而摆脱对人工逐项调整工作流的依赖。
从已披露信息看，STAR 与 Freeride AI 的核心模型训练形成了技术互补：专业模型训练专注于打磨专业能力基底，自我演进研究则在实验环境中探索智能体未来如何更高效地调用与释放这些能力。但需要冷静看待的是，自进化系统在金融场景中的风险边界远高于一般软件工程。一个能够根据任务反馈自主调整工作模式的智能体，意味着其行为路径可能随时间漂移，这对审计、合规和风险追溯提出了更高要求。金融领域本质上是一个对结果有着极高复核与合规要求的行业，任何无法完整解释“模型为什么给出这个结果”的系统，都难以进入核心生产流程。
目前，STAR 的研究状态、实验环境、论文发表情况以及是否已集成到 Freeride AI 的产品交付链路中，均未披露。公司将其定位为“前沿研究课题”，这一定位本身是诚实的，但也意味着它距离可商业化的机构级交付仍有距离。
通用大模型的碾压与垂类模型的生存缝隙
Freeride AI 面临的最直接质疑，来自通用大模型的快速演进。投资方在声明中主动提出了这个问题：现在通用模型性能这么强，垂类模型会不会被取代？其给出的答案是，哪怕通用模型能力再强，在特定行业领域，依旧需要速度更快、成本更低、预测更精准的小模型。
这一判断在逻辑上成立，但在现实中需要更细致的限定。速度、成本和预测精度，三者并非总是同时成立。一个更小的垂类模型可能在推理延迟和单次调用成本上优于通用大模型，但其预测精度是否真的更高，取决于训练数据的质量、领域标注的深度和评测体系的严格程度。如果垂类模型只是在公开金融语料上做了微调，而未能获取机构内部的非公开交易数据、定价参数和风险事件样本，那么它在“预测更精准”这一维度上未必能拉开差距。
从公开信息看，Freeride AI 尚未披露其训练数据的独特来源。公司强调创始团队的交易经验，但个人经验如何转化为可训练的数据资产，是一个未被回答的问题。衍生品定价的“正确结果”往往存在于交易台的隐性经验中，这些经验可能体现在历史报价、对冲记录、风险事件复盘和内部模型校准过程里，但它们通常受到严格的保密协议和合规约束。Freeride AI 能否合法、合规地获取并利用这些数据，将直接决定其垂类模型能否真正建立壁垒。
种子轮的钱，要同时解决模型、评测与场景验证三件事
数百万美元种子轮融资，对于一家试图同时推进专业模型训练、专业评测体系和机构级场景验证的公司来说，并不宽裕。据公司披露，本轮资金将主要用于金融专业模型研发、专业任务的训练与评测，以及自进化方向的模型研究。后续，公司将推进首版自有金融模型与机构产品的验证。
从资金用途的排序看，Freeride AI 把“专业任务的训练与评测”放在了与模型研发同等重要的位置。这是一个值得注意的信号。金融 AI 的瓶颈往往不在模型能不能生成答案，而在如何定义答案的正确性、如何度量模型在专业任务上的表现。如果评测体系本身不可信，模型迭代就会失去方向。Freeride AI 的团队建设覆盖模型研究、金融专业知识和工程实现三大核心，其逻辑正是让金融专家深度参与定义专业标准。
但评测体系的构建同样面临数据可得性和标准共识的问题。衍生品定价的“正确”并非单一数值，而是一个依赖于假设前提、市场数据快照和模型选择的区间。不同机构可能使用不同的波动率曲面构建方法、不同的利率曲线插值方式、不同的分红假设，这些选择都会导致定价结果出现合理范围内的差异。Freeride AI 若要建立一套可被机构客户接受的评测标准，就必须先回答：在什么假设下、以什么市场数据为输入、以什么容差范围为通过标准。这些细节目前均未披露。
机构级交付的真正门槛，是复核、合规与责任归属
Freeride AI 的核心命题，是当 AI 切入高阶金融任务时，能否交付一份真正符合专业机构标准、具备实务决策价值的工作成果。沈方正 William 在公开声明中表示：“金融用户不会只为 AI 看起来‘很聪明’而付费。解释一个概念，与完成机构级别的定价和风险分析是两回事。我们希望把模型能力落实到专业人士每天需要完成的工作里，并用交付结果来验证模型的智能。”
这句话点出了金融 AI 商业化的本质：付费意愿来自交付结果，而非演示效果。但机构级交付的门槛，远不止模型输出的准确性。一个衍生品定价结果要进入交易台或风险管理部门的工作流，至少需要满足三个条件：可复核，即模型能够展示定价所依据的条款解析、假设选择和市场数据来源；可稽核，即每一次输出都有完整的版本记录和变更追踪，能够被内部审计和外部监管追溯；可归责，即当模型输出导致损失时，责任链条能够清晰划分到模型提供方、数据提供方或使用方。
从已披露信息看，Freeride AI 尚未公布其产品在这些维度的具体设计。公司强调“严谨、可复核的最终交付成果”，但可复核的具体实现方式——是生成完整的计算过程说明，还是提供可交互的定价参数调整界面，还是输出可供独立验证的代码或公式——均未披露。在金融合规语境下，“可复核”不是一个形容词，而是一套可被审计的系统能力。
风险不在技术路线，而在验证节奏与数据边界
Freeride AI 的种子轮故事，在叙事层面是完整的：一个拥有交易台经验和模型训练能力的团队，选择了一个“正确结果”难以被公开数据定义的领域，试图用自有专业模型和自进化系统建立壁垒。但从编辑视角看，这个故事的验证路径仍然模糊。
第一重风险来自验证节奏。公司尚未推出首版自有金融模型，也未披露任何客户验证案例或评测基准。在数百万美元种子轮资金下，同时推进模型训练、评测体系建设和自进化研究，资源分配是否足够聚焦，是一个需要观察的问题。如果首版模型迟迟无法进入机构级场景验证，后续融资的叙事基础就会松动。
第二重风险来自数据边界。衍生品定价的“正确结果”高度依赖非公开的机构数据和交易经验。Freeride AI 如何在不触碰保密协议和合规红线的前提下，获取足够高质量的训练和评测数据，是决定其模型能否真正“预测更精准”的关键。如果数据来源局限于公开语料和教科书知识，那么其垂类模型与通用大模型之间的差异可能不足以支撑客户切换成本。
第三重风险来自竞争格局。通用大模型在金融场景的渗透速度，可能快于垂类模型的验证周期。如果通用模型在衍生品定价等专业任务上通过工具调用、代码生成和外部数据接入实现了可接受的准确率，那么 Freeride AI 的窗口期将被压缩。投资方认为垂类小模型在速度、成本和精度上具备优势，但这一优势需要产品化验证来兑现，而非仅凭团队背景和投资逻辑推演。
从已披露的融资结构看，本轮只有 L2F 光源创业者基金一家投资方，且金额为数百万美元。这一资本结构意味着 Freeride AI 目前仍处于非常早期的验证阶段，尚未吸引到多家机构或战略资本参与。对于一家瞄准机构级金融交付的公司来说，后续能否引入具有金融行业资源的战略投资方，或与潜在客户建立联合验证关系，将是比融资金额本身更重要的信号。
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：Freeride AI 把融资故事建立在“衍生品定价的正确结果无法从公开网络获得”这一判断上，这比大多数“金融大模型”的叙事更接近行业真相。但真相只是入场券。真正的问题是，一个拥有交易台经验的团队，能否把隐性经验转化为合法、可训练、可评测的数据资产，并在数百万美元种子轮内跑通从模型到机构交付的验证闭环。在金融领域，可复核不是产品特性，而是生存前提。