模思智能完成超10亿元融资：探索下一代AI实时交互入口

从模型到交互，从交互到数据，再从数据回到模型。

本文为IPO早知道原创

作者｜Stone Jin

据IPO早知道消息，模思智能日前完成超10亿元Pre-A轮融资，由华控基金领投，主要投资方包括国开科创、上海科创基金、新微资本、徐汇资本、追光硬科技创投、临港策源基金等，元禾控股、上海国投旗下上海科创集团、星连资本等老股东持续投资。多维资本担任本轮及长期独家财务顾问。

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。本轮融资之后，模思智能将继续押注“全模态实时交互智能”和AI for AI：一边解决大模型如何进入真实场景、持续理解人和环境；另一边进一步让AI全面进入数据生产、筛选和模型迭代本身。

过去几年，AI行业最激烈的竞争发生在模型能力上：推理、Coding、工具调用，大模型开始承担越来越复杂的任务。但随着模型能力越来越强，一个新的问题开始出现——这些智能怎样离开输入框，真正进入人的生活？

另一方面，产业逐渐成熟，也为全模态实时交互智能提供土壤——过去模型能力不够、推理成本太高、硬件入口有限，AI很难真正离开屏幕；现在，开源智能底座逐渐成熟，全模态推理成本持续下降，AI眼镜、AI玩具、智能座舱、机器人等多模态硬件也开始进入市场。模型、成本和入口同时变化，AI进入现实世界开始从一种想象变成具体的工程问题。

在这个过程中，真正稀缺的不是一个更会聊天的模型，而是一套能让AI持续“在场”的交互智能。模思把这一层能力定义为“全模态实时交互智能”：让语言、声音、画面、环境和设备状态持续进入同一个交互过程，再把理解转化为语音、内容、工具调用乃至设备行动。

从MOSS到实时交互：

一路向现实世界深入

模思今天做全模态实时交互，并不是突然出现的新方向。把邱锡鹏教授过去十年的研究连起来看，会发现他的研究对象一直在从“语言”往“人”，再往人所处的真实情境靠近。

模思智能创始人&首席科学家、复旦大学特聘教授、上海创智学院副院长邱锡鹏，2016年开始研究预训练。2023年2月，ChatGPT刚刚把大模型推到聚光灯中央，他带领团队发布国内首个类ChatGPT开源模型MOSS；一个月后GPT-4发布，大语言模型迅速成为整个行业的主线。

但MOSS之后，团队没有停在“把语言模型继续做大”这个问题上。语言模型已经证明机器可以理解和生成复杂语言，邱锡鹏很快开始追下一层问题：机器会说话以后，怎么真正和人交流？

人的表达总是发生在具体情境里。一句话什么时候说、用什么语气说、眼睛正在看哪里、周围发生了什么，都可能改变它真正的含义。模型如果最终要和人生活在同一个世界里，就不能永远只理解一句被整理好的文本。

实验室阶段的研究沿着这个问题逐步展开。2023年的SpeechGPT开始探索端到端语音交互，2024年的AnyGPT尝试把文本、语音、图像等不同模态放进统一体系，从语言到语音，再到多模态，研究对象已经从一句文本扩展到人与AI交流时真实存在的多种信号。

2024年底，模思孵化于邱锡鹏带领的OpenMOSS团队，承接了团队在语言、语音和多模态方向的研究积累。团队所在的上海创智学院，也为这一阶段的研究提供了人才、算力和产学研协同环境。自此，过去以研究为主的技术路线开始进入集中工程化阶段。

随后，MOSS-TTS、MOSS-Audio、MOSS-Transcribe-Diarize、MOSS-VL、MOVA等模型连续发布，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。仅2026年半年时间里，模思围绕语音、视觉和实时多模态连续发布20多个模型，并持续开源。

从MOSS到全模态实时交互，变化的不只是模型形态，而是问题本身：从“机器能不能理解语言”，走到“机器能不能在一个不断变化的现场里持续理解人”。

从模型到系统：

AI for AI把交互和模型迭代接起来

要在不断变化的现场里持续理解人、及时作出回应，AI需要把感知、理解、生成和执行等能力协调起来。模思正在搭建的全模态实时交互系统，也围绕这条链路展开。

语音、视频、文本和环境信息进入之后，由MOSS-VL、MOSS-Audio、MOSS-Transcribe-Diarize等能力完成理解；另一端，MOSS-TTS、MOVA、能动性模型等负责生成和执行。中间还要处理记忆、上下文、任务状态，以及不同模型之间的实时调度。

模思即将发布的MOSS Live，就是这套能力的系统化落地。它由前端交互模型和后端能动性模型协同工作：前者持续看、听、说，后者负责复杂推理和任务执行，让AI在处理任务的同时，仍能保持与人的实时交流。

这里的“实时”也不只是追求响应更快。现实里的信息带着很强的时间关系：用户一句话说到一半可能改口，一个新画面进来可能直接改变前一句话的含义，设备和环境也始终在变化。如果模型理解的是几秒钟之前的现场，它即使给出了正确答案，也可能已经答错了问题。

系统越复杂，模型迭代本身也开始成为新的问题。2026年以来，模思围绕语音理解、语音生成、视觉理解和实时多模态，在半年多时间里发布20多个模型；仅4月7日到13日一周，MOSS-VL和MOSS-Audio就连续迭代出6个版本；7月初连续两天开源发布MOSS-Transcribe-Diarize 0.9B和MOSS-VL-Realtime两个模型。当模型开始以这样的速度迭代，数据生产、筛选、质量判断和反馈如果仍然大量依赖人工，很快就会成为下一轮瓶颈。

这也是模思推进AI for AI的另一层原因。它希望让AI更多进入模型自身的生产过程：生成模型生产新的语音、图像、视频和场景数据，理解模型负责判断、筛选和反馈，再把结果送回下一轮训练。过去由人承担的大量重复环节，逐步交给模型之间协同完成。

当这套能力进一步进入眼镜、汽车、家庭终端和机器人，AI得到的又不只是合成数据，而是互联网数据里相对稀缺的不同垂域的真实场景数据与连续交互。前端的全模态系统负责进入现场、理解现场，后端的AI for AI再把新的数据和反馈送回模型迭代。两条线由此接到了一起。

所以，模思这轮融资将押注一条更长也更完整的链路：从模型到交互，从交互到数据，再从数据回到模型。

让每个人都能拥有

属于自己的“Samantha”

过去几年，大模型行业一直在回答“模型还能有多强”；当AI开始走出屏幕，新的问题已经摆在面前：它能不能真正看懂一个正在发生的世界，跟人自然地相处，又能不能把这些真实交互变成自己下一轮演进的燃料。

事实上，早在2013年，电影《Her》中的Samantha就描绘了AI助手的理想形态。男主西奥多把设备放进胸前口袋，让Samantha陪他走过街道、看见人群，在海边为共同经历的时刻写下一段音乐。十三年过去，现实中的AI已经能够写代码、解难题、生成影像，我们却仍习惯先打开一个对话框，把眼前的世界整理成文字，再等待回答。智能掌握的知识越来越多，人却依然需要亲手把自己的处境翻译给它。当模型能够回答复杂的问题，它能否也理解，我们为什么在此时、此地，问出这一句话？

理解的起点，或许就在于拥有共同的现场。刘慈欣在《带上她的眼睛》中，用一句平静的话展开了这样的想象：“我要去度假，主任让我再带一双眼睛去。”一个人的所见抵达遥远的另一个人，草原上的花朵、远处的天空，都成为可以共同经历的此刻。

从被带上旅途的“眼睛”，到随人行走的Samantha，这些故事触及了同一种期待，即让交流拥有共同的情境，让智能的理解随着生活一起发生。今天，全模态与实时交互的发展，正在为这种期待提供技术上的可能。

这也是模思智能持续探索的方向：让感知、理解、交流与执行在不断变化的现实情境中协同，让智能跟上人的脚步，也跟上生活的变化。模思希望，每个人都能拥有属于自己的“Samantha”，理解当下的处境，承接未完成的思路，尊重意愿与授权，将想法推进为可执行的行动、可交付的结果。人们无需为一次交互专门坐到电脑前，也无需暂停生活，就能获得智能的协助。

联接AI、人与物理世界，建设全模态实时交互系统，它所指向的未来，藏在每一次出行、每一段交谈、每一个普通人终于能够付诸行动的想法里，让最前沿的智能，走进美好的、值得经历的平凡生活。

这是MOSS对未来的构想，也是模思正在构建的现实。