7.7
深览指数
科技微博·极客公园··AI 生成
复旦邱锡鹏团队获超 10 亿融资
模思智能（由复旦大学邱锡鹏教授创立）完成超10亿元Pre-A轮融资，公司核心方向是构建「情境智能」——让AI不再被动回答问题，而是持续理解变化的现场并实时交互。文章详细介绍了其以「AI for AI」为核心的研发方式：先自研模型解决训练中的标注问题，再让这些模型互相喂养、校验，从而实现高频率迭代。文章还披露了其全模态实时交互的技术路线选择（如将连续音频表征转换为文本token进行核心推理）。适合关注下一代AI技术路径、多模态模型商业化和学术创业的读者。原文 ↗
核心观点
- ▍邱锡鹏认为下一代AI的关键是从「回答问题」走向「持续在场」——模型要能持续理解人和环境，在合适的时候回应和行动，而不是等人输入后被动推理。
- ▍模思智能的研发策略是「AI for AI」：遇到现有模型解决不了的问题就自研一个，做深后让它同时服务外部场景和内部其他模型的训练/标注/校验，形成模型互相喂养的循环。
- 012026年10月12日，模思智能宣布完成超10亿元Pre-A轮融资，由华控基金领投，国开科创、上海科创基金等跟投，距离天使轮官宣仅隔半年左右。
- 022026年1月发布的MOSS-Transcribe-Diarize（早期名为MOSS-TTSD的衍生工具）可一次完成语音转写、说话人归属和时间戳预测，在INTERSPEECH 2026的MLC-SLM Challenge中获得第一名，覆盖14种语言、110支队伍。
- 03模思在2026年4月7日至13日的一周内，围绕MOSS-VL和MOSS-Audio连续迭代了6个版本；7月初又连续两天开源MOSS-Transcribe-Diarize 0.9B和实时视频理解模型MOSS-VL-Realtime。
- 04模思实现全双工交互的技术路线是：输入侧直接用声音和图像原始模态，核心推理环节转为文本token，以保护语言模型的逻辑和推理能力，再驱动下游的语音/行动生成。
- 05模思将发布实时交互系统MOSS Live，架构分为前台交互模型（持续听、看、理解现场）和后台能动性模型（处理复杂推理、工具调用），最终目标是全模态统一模型。
反方 / 局限
- — 模思在研发中发现，将连续的音频表征带进生成侧有时会损害语言模型原有的逻辑和推理能力，理解和生成放在同一个模型也可能相互干扰——这是其选择阶段性文本token路线的直接原因。
- — 文章暗示，面向机器人和汽车等真实终端的实时多模态交互，仍在解决「连续音频表征损害推理」「不同任务相互干扰」等未回答问题，Omni model并未走到终点。
邱锡鹏模思智能复旦大学 OpenMOSS 团队李世民MOSS-Transcribe-DiarizeMOSS-VL-RealtimeMOSS LiveAI for AIOmni model华控基金国开科创上海科创基金SpeechGPTAnyGPT
12 分钟 · 3 卡片 · 7 资料
读原文 →