基础模型的 Scaling 叙事正在经历一次微妙的换挡。过去两年，行业默认的路径是继续把更多参数、更多数据、更多算力压进同一个模型。但当单次训练成本以千万美元计，而基准测试的边际得分增长曲线明显走平时，一个更直接的问题浮出水面：智能的增长，是否只能依赖单体模型的持续膨胀？
2026年10月26日，深圳超球面科技有限公司披露完成数亿元天使轮融资。据公司通稿称，本轮由君联资本、中科创星、商汤国香资本、华山资本WestSummit Capital、庚辛资本中国等机构共同投资，庚辛资本中国担任独家兼长期战略财务顾问。公司由香港中文大学教授刘威杨创立，主攻“Infinite Models”（无限模型组合）这一组合式基础模型Scaling新范式。部分公开报道还列出“某超一线美元基金”参与本轮，但该机构的具体名称未披露。
| 字段 | 内容 |
|---|---|
| 公司 | 深圳超球面科技有限公司 |
| 轮次 | 天使轮 |
| 金额 | 数亿元（具体金额未披露） |
| 投资方 | 君联资本、中科创星、商汤国香资本、华山资本WestSummit Capital、庚辛资本中国等；部分公开报道另列“某超一线美元基金” |
| 总部 | 深圳 |
| 创始人 | 刘威杨 |
| 官网 | 未披露 |
组合式Scaling不是替代单体模型，而是试图在其上叠加一层新的增长维度
超球面科技提出的“Infinite Models”范式，核心逻辑并不复杂。公司通稿称，这一路线并非取代“Infinite Parameters”（无限参数）的单体模型Scaling，而是在更大的单体模型之上分化、组合大量专业化专家模型，构建可协作、可持续进化的模型组织。系统面向用户提供统一入口，可灵活接入DeepSeek、Kimi、GPT、Claude等主流开源与闭源模型，通过模型路由与聚合为不同任务匹配模型组合方案。
这个叙事的关键词是“叠加”而非“推翻”。公司通稿明确表示，两种范式是叠加共生关系：Infinite Models不取代Infinite Parameters，而是在其之上继续拓展智能边界。这一表述的务实之处在于，它承认单体模型仍然是底座，组合式Scaling只是试图在底座之上开辟新的效率空间。
行业层面的印证信号确实在出现。据公司通稿援引的行业动态，2026年6月，Sakana AI发布基于组合式Scaling范式的Fugu模型，通过动态调度多个前沿模型协同推理；2026年7月，Sakana AI与NVIDIA宣布合作推进开放模型创新。公司通稿认为，这印证了模型编排作为独立Scaling维度的行业共识正在加速形成。需要指出的是，这些行业事件与超球面科技本身的技术能力并无直接因果关系，它们只能说明组合式Scaling作为一个方向正在获得更多关注，而不能证明超球面科技在该方向上的具体位置。
三项技术框架构成公司叙事的核心，但每项声明都需要独立的验证路径
以下为基于公司单方披露的编辑分析。超球面科技的技术叙事建立在三项代表性成果之上，分别对应后训练、预训练和参数高效微调三个环节。
第一项是Orbit后训练框架。公司通稿称其为“全球首个万亿参数单节点强化学习（RL）后训练框架”，已验证对Kimi-K2.6、DeepSeek V4等万亿级大模型的稳定端到端RL训练，并称其是目前唯一可在单个8×B200节点上对1T至1.6T参数大模型进行稳定RL后训练的框架。公司通稿将Orbit列为2026年开源项目，但代码仓库的实际状态未在本次融资披露材料中展示。“全球首个”和“目前唯一”均为公司单方陈述，尚无独立第三方验证。
第二项是POET-X预训练框架。公司通稿称，该框架可将百亿参数大模型预训练从多节点集群压缩至单张GPU，无需模型并行，已验证Llama-8B、Qwen-8B、Qwen-MoE-30B等模型，可在单个H100 GPU上对8B至13B参数大模型进行稳定预训练。该工作被ICML 2026收录为Oral论文。论文收录本身是一个可核验的学术事实，但“最节省GPU显存的预训练框架”这一表述仍属公司单方声明。
第三项是OFT正交微调算法。公司通稿称，这是一种抗遗忘的参数高效微调算法，实验验证其在目标任务上的表现上限高于主流LoRA路线，同时对原模型已掌握任务的遗忘更小。该工作被ICLR 2024收录。同样，“表现上限高于LoRA”的具体实验条件、基准任务和对比口径，在本次披露材料中未展开。
从技术逻辑看，这三项工作指向同一个目标：降低模型专家化的算力门槛。如果Orbit确实能将万亿参数RL后训练压缩到单节点，如果POET-X确实能将百亿参数预训练压缩到单张GPU，如果OFT确实能以更小的遗忘代价完成专家化微调，那么“大量分化专家模型”的成本约束就会被显著放松。但这里的推理链有一个关键前提：上述技术声明均为公司单方披露，尚未有独立第三方验证其可复现性和实际性能边界。在天使轮阶段，这些框架的成熟度、工程完整性和对外可用性，都还是开放问题。
创始人的学术履历是真实的，但它与公司技术能力的转化关系尚未被证明
公司通稿对创始人刘威杨的履历披露较为详细。据公司通稿称，刘威杨拥有佐治亚理工学院计算机科学博士学位与剑桥大学机器学习博士学位，累计在NeurIPS、ICML、ICLR、CVPR、ICCV、ECCV、TPAMI、EMNLP等AI顶会顶刊发表论文80余篇，其中第一作者论文20余篇，Google Scholar总引用量超过14000次。工业界经历方面，公司通稿称其曾任职于Google Brain（现Google DeepMind）与NVIDIA，曾任马克斯·普朗克研究所博士后、研究科学家，并曾在Michael J. Black创办的MeshCapade中担任大模型训练科学顾问，MeshCapade于今年初被Epic Games收购。
在开源生态领域，公司通稿称刘威杨2016年提出的SphereFace至今仍是商用人脸识别系统的神经网络基础范式，主导构建的MetaMath数据集被Meta Llama 3模型采用，提出的OFT正交微调算法被NeurIPS 2023、ICLR 2024、EMNLP 2025收录。这些学术和开源记录本身具有可核验性，但它们与超球面科技当前业务之间的转化关系，是另一回事。一位学者的历史论文引用量和其创办公司的产品化能力之间，并不存在自动的因果链条。
资本结构存在口径差异，“某超一线美元基金”的身份是本次披露中最显眼的留白
投资方名单是本次融资披露中信息密度最高、也最值得拆解的部分。公司通稿及部分公开报道列出的机构包括君联资本、中科创星、商汤国香资本、华山资本WestSummit Capital、庚辛资本中国，部分公开报道还列出“某超一线美元基金”，但该机构的具体名称在所有来源中均未披露。不同来源对投资方名单的列示存在差异：部分公开报道列出“某超一线美元基金”，部分未列。
这种差异本身并不罕见。天使轮融资中，部分机构可能因合规、基金周期或策略原因选择暂不公开。但“某超一线美元基金”这一表述的模糊性，使得本轮融资的真实资本结构无法被完整评估。庚辛资本中国担任独家兼长期战略财务顾问，这意味着本轮融资的撮合和披露节奏至少有一部分是经过专业FA设计的。在FA主导的披露中，刻意保留某家机构的匿名状态，通常意味着该机构有明确的理由暂不露面——可能是基金尚未完成最终关闭，可能是其LP结构对公开披露有约束，也可能是该机构希望避免在早期项目上过度曝光。
从投资方组合看，君联资本和中科创星代表人民币基金体系中的早期硬科技偏好，商汤国香资本则带有产业资本色彩，华山资本WestSummit Capital的跨境背景与“某超一线美元基金”的匿名存在形成呼应。这个组合说明，本轮融资的出资方并非单一类型的财务投资者，而是混合了财务回报诉求、产业协同诉求和跨境资源诉求。但需要明确的是，这些判断基于投资方名单的表面构成，各机构的具体投资逻辑、估值预期和条款安排，本次披露材料均未提供。
商业化路径仍处探索阶段，公司通稿未披露产品交付时间表、客户或收入
超球面科技的商业模式表述，在本次披露中保持了相当程度的克制。公司通稿称，其长期目标是构建能够持续扩展能力的基础模型；在推进这一目标的过程中，团队形成的训练框架、微调算法等阶段性成果具有独立的应用与商业化价值，可围绕模型训练、后训练和微调等实际需求探索商业化。
这段话的信息量在于它承认了一个现实：公司的终极产品——可持续进化的基础模型——尚未成型，当前可商业化的只是通向那个目标的过程中产生的中间产物。训练框架、微调算法这些“阶段性成果”的潜在买家，可能是需要降低训练成本的大模型团队、需要做领域适配的企业客户，或者需要后训练能力的云厂商。但公司通稿未披露产品交付时间表、客户或收入，也未说明这些阶段性成果目前是否已有付费用户或试点合作。
这种“以中间产物养终极目标”的路径在AI基础设施领域并不少见，但它的成立需要两个前提：第一，中间产物本身有足够强的独立需求；第二，中间产物的商业化不会分散团队对终极目标的投入。在天使轮阶段，这两个前提都还无法从披露材料中得到验证。
本轮资金用途未披露，数亿元天使轮在基础模型赛道中的实际购买力无法量化
本轮融资的具体金额仅表述为“数亿元”，未披露精确数字。更关键的是，公司通稿未披露本轮资金用途。在基础模型研发的语境下，资金用途直接决定了这笔钱能支撑多长时间的研发运转、能覆盖多少算力采购、能维持多大的团队规模。没有这些信息，外部无法判断“数亿元”对超球面科技的实际意义。
一个可参考的约束条件是：公司通稿称Orbit框架可在单个8×B200节点上对万亿参数模型进行RL后训练。8×B200节点的硬件采购成本本身就是一个可观的数字，而这还只是单节点的训练硬件。如果公司要持续迭代Orbit、POET-X和OFT，并同时推进模型专家化框架的工程化，算力支出将是资金消耗的主要方向。但公司通稿未披露任何算力预算、团队规模或研发里程碑，因此无法对这笔资金的可持续性做量化评估。
另一个值得注意的空白是公司成立年份。本次披露材料未提供深圳超球面科技有限公司的注册成立时间。对于一家天使轮公司而言，成立年份是判断其发展节奏的基础信息。一家成立多年才完成天使轮的公司，和一家成立数月即完成数亿元天使轮的公司，其资本故事完全不同。这一信息的缺失，使得外部难以判断团队的技术积累是在公司框架内完成的，还是主要来自创始人的学术生涯。
待验证的问题不在叙事层面，而在三个具体的技术指标和两个披露缺口上
围绕超球面科技本次披露，真正需要追踪的验证问题可以收敛为几个具体项。
第一，Orbit的单节点RL后训练能力。公司通稿称其可在单个8×B200节点上对1T至1.6T参数大模型进行稳定RL后训练。如果这一能力属实且可复现，它意味着万亿参数模型的后训练算力门槛被显著降低。但“稳定”的定义、训练吞吐量、收敛速度、与多节点方案的性能对比，均未在披露材料中给出。Orbit被列为2026年开源项目，代码仓库的实际状态是第一个可核验的节点。
第二，POET-X的显存节省幅度。公司通稿称其是“目前最节省GPU显存的预训练框架”，可在单个H100 GPU上对8B至13B参数模型进行稳定预训练。但“最节省”的对比对象、节省比例、对模型性能的影响，均未披露。ICML 2026 Oral的收录是一个学术信号，但论文的公开版本和实验细节尚未在本次材料中呈现。
第三，OFT相对LoRA的性能优势边界。公司通稿称OFT在目标任务上的表现上限高于LoRA路线，且遗忘更小。但“表现上限”的具体含义、目标任务的范围、LoRA的对比配置，均未展开。参数高效微调领域的方法论竞争激烈，LoRA本身也在持续演进，OFT的优势是否能在更广泛的任务和模型规模上保持，需要独立实验验证。
两个披露缺口则更为基础：一是公司成立年份未披露，二是本轮资金用途未披露。前者影响对团队积累和公司节奏的判断，后者影响对资金可持续性的评估。在天使轮阶段，这两个信息的缺失并不违反任何规则，但它们确实限制了外部对这笔融资实际意义的理解深度。
从已披露的技术框架和投资方组合看，超球面科技试图占据的位置是清晰的：在单体模型Scaling边际收益递减的背景下，提供一套降低模型专家化成本、实现多模型能力组合的技术底座。但这一位置能否站稳，取决于上述技术声明能否从公司通稿转化为可独立验证的工程事实，以及公司能否在“阶段性成果商业化”和“终极目标研发”之间找到可持续的平衡。这两条验证路径，目前都还处于起点。
RecodeX 极客视：组合式Scaling的真正考验不在理念层面——让多个专家模型协作的想法并不新鲜，而在于“分化专家”的算力成本能否低到让这种协作在经济上成立。超球面科技把赌注押在Orbit、POET-X和OFT三项框架上，逻辑自洽，但天使轮阶段的所有技术声明都还停留在公司通稿的单一来源里。当“全球首个”和“目前唯一”还没有代码仓库和独立复现来承接时，这笔数亿元的融资买到的是一张进入后Scaling牌桌的门票，而不是牌桌上的位置。
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。