财π新闻 10月12日，模思智能正式宣布完成超10亿元人民币Pre-A轮融资，本轮融资由华控基金领投，国开科创、上海科创基金等多家机构参与投资，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加注，多维资本担任本轮及长期独家财务顾问。这是该公司继2026年4月完成数亿元天使轮融资后，仅半年时间再度获得的巨额资本加持，也创下了成立不到两年的大模型初创企业融资速度纪录。

　　模思智能方面明确表示，本轮融资资金将主要用于推进全模态实时交互智能的研发与能力建设，以及全球化商业落地。融资完成后，公司将继续围绕全模态实时交互智能和AI for AI两大核心方向持续投入，一方面解决大模型如何进入真实场景、持续理解人和环境的核心问题，另一方面推动AI全面渗透到数据生产、筛选和模型迭代的全流程环节中，进一步提升技术研发的效率与迭代速度。

核心团队依托产学研背景快速起步

　　模思智能成立于2024年底，孵化于上海创智学院与复旦大学OpenMOSS团队，从诞生之初就拥有深厚的技术研发积累。创始人兼首席科学家为复旦大学特聘教授邱锡鹏，他曾带领团队在2023年初发布国内首个类ChatGPT开源模型MOSS，在国内大模型发展初期引发行业广泛关注，首席执行官由SpeechGPT核心作者李世民担任，核心团队成员均在大模型多模态交互领域拥有长期技术沉淀。

　　依托上海创智学院提供的人才、算力和产学研协同环境支持，原本以学术研究为主的技术路线快速进入集中工程化落地阶段。公司成立后便确立了打造面向下一代情境交互智能大模型的核心目标，致力于让AI走出传统对话框的局限，直接进入真实物理世界，能够持续感知周边情境并自主采取对应行动，打破当前大模型应用的场景边界。

　　从2026年上半年完成数亿元天使轮融资至今的半年时间里，团队围绕语音、视觉和实时多模态方向已连续迭代发布20多个模型版本，先后推出MOSS-TTS、MOSS-Audio、MOSS-Transcribe-Diarize、MOSS-VL、MOVA等多款模型产品，全面覆盖语音生成、音频理解、语音识别、视觉理解与内容生成等核心技术环节，且相关模型均保持持续开源的开放姿态，为行业技术生态建设提供支撑。

全模态实时交互智能赛道布局持续深化

　　模思智能将核心发展方向押注在全模态实时交互智能领域，致力于让AI能够同时处理语音、图像、视频、文本和各类环境信息，在不断动态变化的真实情境中精准理解人的意图，同步给出实时回应甚至直接采取对应行动，彻底改变当前大模型交互存在的延迟高、感知维度单一的痛点。目前公司即将发布MOSS Live系统，这套系统采用双模型协同架构，由前端交互模型负责持续完成看、听、说的实时感知交互工作，后端能动性模型则专门负责复杂逻辑推理和长周期任务执行，确保AI在处理复杂任务的同时，依然能够保持和用户的流畅实时交流。

　　随着大模型基础能力持续增强、推理成本不断下降，以及AI眼镜、智能座舱、服务机器人等各类智能硬件入口的快速普及，AI进入现实世界的发展进程已经从早期的概念探索阶段转向具体的工程落地阶段。行业内正在形成普遍共识，交互层是AI进入真实世界绕不开的核心基础设施，已经成为下一代人工智能产业竞争的核心焦点，赛道整体热度正持续攀升。

　　目前全球范围内已有多家行业头部企业在该赛道布局，美国Runway公司推出通用世界模型并将实时交互作为核心战略方向，字节跳动也发布了SeedRealtime音视频全双工大模型，接入旗下亿级用户规模的产品体系，全模态实时交互智能赛道的产业竞争格局正在快速成型。

商业化落地呈现分层推进特征

　　全模态实时交互智能的实地落地节奏存在明显的分层特征，当前语音交互相关产业已经发展相对成熟，相关技术方案的落地门槛较低，商业化验证路径也较为清晰。而在语音交互基础上加入视觉感知尤其是机器视觉实时反馈能力后，整个系统的技术复杂度、所需模型体量和不同场景下的适配难度都会出现显著抬升，落地推进的周期也会相应拉长。

　　业内普遍判断，AI眼镜会是全模态实时交互智能落地速度最快的硬件载体，相关产品会优先推进所需模型体量较小、更易落地的语音交互方案，先完成基础用户习惯培育，再逐步叠加视觉相关的交互能力。实时交互要真正跑通完整的商业化闭环，核心并不在于单纯追求参数规模更大、能力更强的单一模型，而是需要场景资源、硬件成熟度、推理成本控制和用户使用习惯多个维度的条件同步成熟，才能最终实现大规模普及应用。

(编辑：曹凤芹)