10月12日，模思智能宣布完成超10亿元Pre-A轮融资。本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跟投。此时距离该公司天使轮官宣仅过去半年左右。
模思智能由复旦大学特聘教授、上海创智学院副院长邱锡鹏创立，成立至今不到两年，孵化自复旦大学邱锡鹏带领的OpenMOSS团队。公司将自身方向定义为构建情境智能，核心目标是让模型从被动回答问题转向持续理解人和环境，并在适当时机作出回应与行动。邱锡鹏表示，下一代AI将从回答问题走向持续在场，模型需要持续理解人和环境，而非仅等待输入。公司当前主攻全模态实时交互。
从技术路径看，模思智能从声音切入，逐步拓展至视觉理解、音视频生成和实时交互。据公司披露，2026年以来，其围绕语音、视觉和实时多模态连续发布了20多个模型，其中包括多个开源模型。7月开源的MOSS-VL-Realtime已能持续接收视频流，画面变化时判断同步更新。
模思智能的技术积累可追溯至2023年。当年2月，ChatGPT将大模型推向公众视野之际，邱锡鹏团队发布了MOSS，这是国内最早开源的类ChatGPT对话模型之一。同年，团队推出SpeechGPT，尝试让模型直接理解和生成语音；2024年，AnyGPT探索统一的多模态大模型架构。2024年11月，模思智能从OpenMOSS团队孵化成立，以商业化方式延续模型探索。公司CEO李世民最初以学生身份加入邱锡鹏实验室，也是SpeechGPT的早期作者之一。
模思智能选择的第一个切入点是多人对话语音生成。团队希望MOSS-TTSD能够端到端生成由两三人参与、你来我往的完整播客，而非逐句合成后拼接。逐句合成会丢失对话中的气口、停顿、接话乃至抢话的节奏。但训练此类模型需要将大量真实对话拆解清楚，明确谁在何时说了什么、接话与声音重叠发生在何处。当时市面上的常见方案是将语音识别和说话人分割交由不同模型处理，再沿时间轴拼接结果，一旦录音变长或遇到多人插话、声音重叠，系统容易将一句话安到错误的人头上。
由于缺乏满足要求的模型，团队决定自研。2026年1月，MOSS-Transcribe-Diarize第一版发布。该模型未采用时间轴拼贴方式，是当时首个能在一次调用中同时完成语音转写、说话人归属和时间戳预测的模型。团队使用了大量来自复杂场景的对话音频，通过数据工程完成清洗、标注和训练，使模型面对长录音、多人插话和声音重叠时，直接学习谁在什么时候说了什么，而非仅在干净音频上识别文字。
这一原本为训练其他模型而打造的工具，效果超出团队预期。李世民称其很快达到行业头部水平。2026年1月，团队公开了MOSS-Transcribe-Diarize的技术报告；7月9日，0.9B参数版本正式开源，支持超过50种语言。五天后，该模型在INTERSPEECH 2026第二届MLC-SLM Challenge中获得第一名，比赛覆盖14种语言，共吸引110支队伍报名。需求也随之而来，有模型团队用它为训练数据做标注，也有企业将其用于客服、会议记录等对话场景，其中不乏头部互联网公司的团队。李世民表示，这使团队意识到模型能力的突破会自发激发出新的业务场景。
MOSS-Transcribe-Diarize并非孤例。模型不仅是交付给用户的产品，也可以成为生产下一个模型的工具，这逐渐成为模思反复使用的研发方式：遇到现有模型解决不了的问题便自研，并将单点问题做深；模型完成后，一边进入外部场景承接真实需求，一边回到内部成为其他模型的数据来源、标注工具或评测手段。
沿此路径，模思陆续推出更多模型。转写解决谁在什么时候说了什么；MOSS-Audio继续追问这句话是怎么说的，让模型识别语速、情绪、性别、言语卡顿和环境声音；MOSS-TTS负责将文字重新变成可控的声音；视觉一侧，MOSS-VL和MOSS-VL-Realtime开始处理图像和持续进入的视频流。在模思办公室的演示中，产品负责人输入一段高铁广播词，MOSS-TTS随即生成对应声音，无需用户先上传参考录音，仅凭文字描述即可生成指定音色。用户也可直接向MOSS-Audio提问说话者的语速、情绪和言语卡顿情况，传统转写会丢弃的这些信息被重新纳入模型输出。
从行业视角看，模思智能所处的全模态实时交互赛道正成为大模型融资的新方向。过去几年，大模型更擅长处理已被写入文档、代码和Prompt的世界，前提是有人先理解现实并将其整理为模型可读的输入。进入真实场景后，模型需要同时完成两件事：持续理解仍在变化的现场，并在现场继续发生时迅速回应、根据新情况调整。模思智能此轮融资的规模与速度，反映出资本对具备实时多模态能力的基础模型团队的关注正在升温。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
