公司 模思智能
融资轮次 Pre-A轮
融资金额 超10亿元
投资方 华控基金（领投）、国开科创、上海科创基金、新微资本、徐汇资本、追光硬科技创投、临港策源基金、元禾控股（老股东）、上海国投旗下上海科创集团（老股东）、星连资本（老股东）
总部 未披露
创始人 邱锡鹏（创始人&首席科学家，复旦大学特聘教授、上海创智学院副院长）
官网 暂无官网

从MOSS到模思：一个学术团队的产品化跳跃

模思智能的起点可以追溯到2023年2月。据腾讯新闻报道，当时ChatGPT刚刚把大模型推到聚光灯中央，邱锡鹏带领团队发布了类ChatGPT开源模型MOSS。邱锡鹏的学术履历在此前已有积累：据腾讯新闻报道，他2016年开始研究预训练。这意味着模思智能并非一家从零起步的创业公司，而是承接了一个已有研究脉络的团队。据澎湃新闻记者秦盛报道，模思智能2024年底孵化于复旦大学特聘教授、上海创智学院副院长邱锡鹏带领的OpenMOSS团队，承接了团队在语言、语音和多模态方向的研究积累。

从MOSS到模思智能，中间隔了将近两年。这两年恰好是大模型从文本单模态向多模态快速扩张的时期。MOSS本身是一个语言模型，而模思智能对外强调的模型矩阵已经明显超出了语言范畴。据腾讯新闻报道，团队已发布MOSS-TTS、MOSS-Audio、MOSS-Transcribe-Diarize、MOSS-VL、MOVA等模型，覆盖语音生成、音频理解、语音识别、视觉理解与内容生成等环节。据澎湃新闻报道，2026年半年时间里，模思智能围绕语音、视觉和实时多模态连续发布20多个模型，并持续开源。

这里存在一个值得注意的节奏问题。一家2024年底才孵化的公司，在2026年上半年发布了20多个模型，平均不到十天一个。这种速度在开源社区并不罕见，但“发布模型”与“验证模型”是两回事。开源模型可以通过社区反馈快速迭代，也可能因为缺乏真实场景的持续压力而停留在技术演示层面。从团队研究积累看，高频发布可能反映技术储备的集中释放，但另一种解释是：团队正在通过高频发布来探测哪些模态组合真正具备场景价值。这两种解释并不互斥，但指向不同的商业化前景。

从已披露的模型矩阵看，MOSS-TTS、MOSS-Audio、MOSS-Transcribe-Diarize、MOSS-VL等名称显示，团队在语言模型之外逐步扩展了语音、音频和视觉能力。产品化要求的不只是模块存在，而是模块之间能否在同一个系统内协同工作。模思智能尚未披露这些模型是否共享同一套训练框架、推理框架或评估体系。如果它们只是分别发布、分别维护的独立模型，那么“全模态”可能更多是产品组合意义上的，而非系统架构意义上的。这一判断仍需公司后续披露技术细节来验证。

全模态实时交互：技术定义比融资口号更复杂

模思智能将“全模态实时交互智能”作为核心方向。据澎湃新闻转述，模思智能表示，这一方向要解决的是“大模型如何进入真实场景、持续理解人和环境”。这个表述本身没有给出技术边界。从已披露的模型矩阵看，模思智能的布局覆盖了语音生成、音频理解、语音识别、视觉理解和内容生成。这些模型分别对应不同的技术路线：语音生成涉及声学建模与韵律控制，音频理解需要处理非语言声音事件，语音识别要在噪声和多人对话中保持鲁棒性，视觉理解则要处理空间关系与时间序列。将这些能力整合进一个实时交互系统，比单独优化任何一个模型都更困难。

从产业链约束看，全模态实时交互智能面临的不只是算法问题。实时语音交互需要在端侧或边缘侧完成部分推理，否则网络延迟会破坏体验；视频理解则需要处理带宽与算力的矛盾。如果模思智能的目标是让模型进入真实场景，它必须回答一个工程问题：这些模型在什么硬件条件下运行，成本结构如何。在公开信息层面，技术主张与工程验证之间仍有明显距离。

“实时”一词在技术语境中有严格含义。它通常意味着系统需要在固定时间窗口内完成感知、推理和响应，而不是简单地在云端跑完模型再返回结果。对于语音交互，这个时间窗口可能以百毫秒计；对于视频理解，时间窗口取决于帧率和场景需求。模思智能没有披露其“实时”定义，也没有披露在哪些硬件平台上实现了这一目标。这可能是出于竞争保密，但也可能意味着“实时”目前仍是一个方向性描述，而非已经固化的工程指标。从Pre-A轮公司的阶段看，后者并不异常，但外界不应把方向性描述等同于已交付能力。

AI for AI：数据飞轮还是自我消耗

模思智能提出的第二个方向是AI for AI。据澎湃新闻转述，模思智能表示，这一方向要让“AI全面进入数据生产、筛选和模型迭代本身”。这个提法并非模思智能首创。在大模型行业，用AI生成训练数据、用AI筛选数据、用AI辅助评估模型输出，已经是多家公司的实践。但将其上升为公司战略方向，意味着模思智能把数据闭环本身当作产品化目标，而不仅仅是内部工具。

AI for AI的吸引力在于它可能解决大模型行业最稀缺的资源：高质量数据。但模思智能将AI for AI作为战略方向，意味着它需要证明自己不仅能生成数据，还能生成“更好”的数据，并且这种“更好”可以被独立验证。从已披露信息看，模思智能尚未公布AI for AI的具体产品形态、客户案例或数据闭环的规模。公司通稿的表述停留在方向层面。这与Pre-A轮公司的阶段相符，但也意味着AI for AI目前更像一个待验证假设，而非已被市场接受的商业模式。

一个关键的验证路径是：模思智能能否用自己的AI for AI流程，持续提升其全模态实时交互模型的性能，并将这种提升转化为可量化的场景指标。如果这条路径走通，AI for AI就有了内生证据；如果走不通，它可能退化为一个成本中心。这里存在一个容易被忽略的细节：AI生成数据用于训练AI，可能带来分布偏移和错误累积。如果生成的数据本身带有系统性偏差，后续模型迭代可能放大这种偏差。模思智能尚未披露其在数据质量控制和偏差检测上的方法，这使得AI for AI的可行性需要更长时间观察。

从商业逻辑看，AI for AI如果作为独立产品对外提供，模思智能需要回答客户为什么选择它，而不是选择已有的数据服务商或自建数据闭环。如果AI for AI主要服务于模思智能自身的模型迭代，那么它的价值最终仍要体现在全模态实时交互智能的性能提升上。这意味着AI for AI不是一个可以单独验证的商业故事，而是与公司核心方向绑定的技术杠杆。在公开信息不足的情况下，外界只能将其视为一个需要后续里程碑来支撑的战略假设。

Pre-A轮超10亿元：资本结构透露了什么

本轮融资的资本结构值得拆解。本轮金额、轮次、投资方名单来自公司官宣及媒体转述，尚无投资方或监管机构独立披露。主要投资方中的国开科创具有国家开发银行背景，上海科创基金、徐汇资本、临港策源基金则带有明显的上海区域色彩。老股东元禾控股、上海科创集团、星连资本的持续投资，说明早期资本对团队的认可仍在延续。

这个投资方组合传递的信号是：模思智能被定位为上海本地的大模型基础设施项目，而非单纯的商业软件公司。从投资方结构看，可能带有区域产业政策支持色彩，但这一判断仅基于投资方名单的公开背景，来源材料未提供具体政策依据。Pre-A轮融资超过10亿元，在2026年的市场环境下属于较高水平。据公司通稿及媒体转述，本轮资金将用于推进全模态实时交互智能的研发与能力建设，以及全球商业化落地。但“全球商业化落地”这一表述在通稿中未展开：目标市场是哪些区域，产品以何种形式交付，收入模式是什么，均未披露。

据经济观察网报道，多维资本担任本轮及长期独家财务顾问。“长期独家”意味着模思智能与多维资本之间建立了持续性合作关系，而非单轮交易。这通常出现在公司预期后续还有多轮融资的情况下。结合Pre-A轮的阶段和超10亿元的规模，模思智能可能更侧重较长研发周期，短期收入验证节奏尚不明确。这一判断基于融资规模与阶段，来源材料未提供具体研发周期或收入验证计划。

从融资节奏看，Pre-A轮就达到超10亿元规模，意味着公司可能在早期就获得了较高的资本定价。这既可能反映投资方对邱锡鹏团队技术积累的认可，也可能反映大模型赛道在特定区域和特定时点的资本竞争。但高融资额也抬高了后续轮次的预期。如果模思智能在商业化验证上进展慢于资本预期，下一轮融资可能面临估值压力。当然，这一推断的前提是公司后续仍依赖外部融资，而模思智能未披露其现金流状况和收入能力，因此这一风险目前只能作为假设存在。

竞争格局：开源模型矩阵的尴尬位置

模思智能的模型矩阵以开源为主要分发方式。如前所述，2026年半年时间里发布的20多个模型持续开源。模思智能需要在开源模型与商业化产品之间划出清晰界限：哪些能力开放，哪些能力保留为付费服务。

从竞争格局看，模思智能面临的压力来自两个方向。一是头部大模型公司，它们在多模态和实时交互上的投入规模通常更大。二是同样从学术团队孵化的开源模型公司，它们在语音、视觉等单点能力上可能更聚焦。模思智能的差异化在于“全模态”与“实时交互”的组合，但这个组合的技术门槛也意味着更高的整合成本。如果头部公司选择在单点能力上持续优化，模思智能的整合优势需要足够显著才能成立。

另一个竞争维度是人才。邱锡鹏作为复旦大学特聘教授和上海创智学院副院长的身份，为模思智能提供了学术人才管道。但模思智能尚未披露其工程团队规模、产品负责人或商业化负责人，这使得外界难以评估其从研究团队向产品公司转型的进度。

开源策略本身还可能带来一个竞争悖论。模思智能通过开源快速获得社区关注和开发者反馈，但开源模型也可能被竞争对手直接使用或改进。如果模思智能的商业化产品与开源模型之间差异不够明显，客户可能选择免费的开源版本而非付费服务。公司通稿没有说明其开源模型与潜在商业产品之间的功能差异、性能差异或服务差异。这个空白使得“开源获客、闭源变现”的路径在模思智能身上尚未得到确认。

资金用途与商业化：一条尚未画出终点的路径

如前所述，本轮资金将用于推进全模态实时交互智能的研发与能力建设，以及全球商业化落地。这个表述覆盖了两个方向，但都没有给出具体里程碑。研发方面，公司未披露计划在多长时间内实现什么级别的模型能力；商业化方面，公司未披露目标客户、产品定价或收入预期。

对于Pre-A轮公司而言，不披露商业化细节并非异常。但这个阶段的公司通常至少会给出一个可验证的阶段性目标，例如在某个垂直场景完成试点、与某类客户达成合作、或实现某种技术指标的突破。模思智能的通稿没有提供这些信息。这可能是出于竞争考虑，也可能意味着商业化路径本身仍在探索中。

从已披露的模型矩阵看，模思智能最可能先落地的场景是语音相关应用。语音生成、音频理解、语音识别这三个方向都有明确的商业需求：客服、会议转写、内容制作、辅助沟通等。模思智能如果选择从语音切入，需要回答一个核心问题：它的全模态实时交互能力，相比单纯的语音模型，能带来什么增量价值。如果答案是“同时理解画面和声音”，那么视频会议、远程协作、智能监控等场景可能更匹配，但这些场景对实时性和准确性的要求也更高。

“全球商业化落地”这一表述还隐含一个未解问题：模思智能的海外市场策略是什么。公司通稿没有说明其是否已有海外客户、海外合作伙伴或海外合规安排。对于一家以开源模型为主要技术资产的公司，海外开发者社区可能构成自然的分发渠道，但从开发者使用到企业付费之间仍有较长距离。因此“全球”一词目前只能理解为一种方向性表述，而非已经启动的市场计划。

验证边界与可复核指标

本次融资信息的披露边界需要被明确。所有金额、轮次、投资方名单均来自公司官宣及媒体转述，未见投资方或监管机构的独立披露。各来源在金额（超10亿元）、轮次（Pre-A轮）、领投方（华控基金）与资金用途上表述一致，但这只说明信息传播的一致性，不构成独立核证。“超10亿元”是一个约数表述，精确金额与投后估值均未披露。

更值得关注的是基础信息的缺失。模思智能未披露公司官网、总部所在地与成立年份。这些信息的缺失直接影响外部对其商业化验证节奏的评估：没有官网和总部信息，难以判断其客户触达方式与运营实体；没有成立年份，难以计算从孵化到融资的实际周期。它可能反映了公司仍处于早期整合阶段，也可能意味着公司对外沟通的优先级集中在技术与融资叙事上。无论原因如何，这都增加了外部评估的难度。

从已披露信息可以做出的推断是：模思智能拥有一个学术背景深厚的技术团队，一个覆盖多模态的模型矩阵，以及一笔足以支撑较长研发周期的资金。但它的商业化路径、产品形态、客户验证和收入模式都尚未公开。全模态实时交互智能和AI for AI作为方向性判断有其逻辑基础，但从方向到产品、从产品到收入，中间隔着多个尚未被验证的假设。这些假设的验证速度，将决定这笔超10亿元融资最终是成为大模型行业又一个技术储备案例，还是真正打开一条新的落地路径。

另一个需要持续观察的变量是团队稳定性。邱锡鹏同时担任复旦大学特聘教授和上海创智学院副院长，这意味着他需要在学术职务与公司管理之间分配精力。模思智能未披露邱锡鹏在公司日常运营中的具体参与程度，也未披露是否有专职CEO或运营负责人。对于一家Pre-A轮公司，创始团队的分工和稳定性直接影响执行效率。这一变量在公开信息中完全空白，但可能比技术路线选择更早地影响公司走向。

以下关键指标目前均缺失，可作为后续核验清单：模型评测基准得分、实时交互延迟与并发公开数据、端侧部署方案、客户案例、开源社区采用度、目标客户与定价、收入预期、海外合规安排、工程团队规模与产品负责人。这些指标一旦披露，将比“发布模型数量”更能反映公司从技术储备走向商业验证的实际进度。

RecodeX 极客视：模思智能的故事目前更像一个“能力储备”叙事，而非“场景验证”叙事。20多个开源模型证明了团队的产出速度，但全模态实时交互的真正考验不在发布数量，而在系统整合后的稳定性、延迟和成本。AI for AI作为数据飞轮的设想有产业逻辑，但飞轮能否转起来，取决于模思智能能否用自己的数据闭环提升自己的模型，并把这种提升变成客户愿意付费的指标。在Pre-A轮就拿到超10亿元，意味着市场给了它足够长的跑道；接下来要看的，是它能否在跑道尽头之前，找到比“发布模型”更硬的证据。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。