10月12日，模思智能完成超10亿元Pre-A轮融资，华控基金领投，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、临港策源基金等跟投，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。这家由复旦大学特聘教授邱锡鹏创办的语音大模型研发商，将把资金砸向全模态实时交互智能研发与全球商业化落地。
希鸥网观察到，融资消息背后藏着一个更锋利的命题：当大模型能写代码、解难题，人类却仍要先把眼前的世界翻译成文字，再等一个对话框给出答案。眼镜、玩具、汽车、家庭终端和机器人正成为新入口，用户边走边说、打断改口，声音和画面同时涌入。AI收到的不是一次干净输入，而是一段持续发生的情境。模思押注的，正是让AI在变化现场里持续理解人的能力。
模思选择的切口是交互层。创始人邱锡鹏2016年开始研究预训练，2023年2月带领团队发布国内首个类ChatGPT开源模型MOSS。但团队没有停在“把语言模型做大”。从SpeechGPT探索端到端语音交互，到AnyGPT统一文本、语音、图像，再到2024年底模思正式孵化，研究对象从一句文本扩展到人与AI交流时的多种真实信号。问题变了：机器能不能在动态现场里持续理解人。
仅2026年上半年，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。4月7日到13日一周，MOSS-VL和MOSS-Audio迭代出6个版本；7月初连续两天开源MOSS-Transcribe-Diarize 0.9B和MOSS-VL-Realtime。这种迭代速度暴露了新瓶颈：数据生产、筛选、质量判断若仍依赖人工，很快会卡住下一轮训练。AI for AI的本质，是让生成模型与理解模型互相配合，把人的重复劳动逐步交给模型协同完成。
全模态实时交互系统要把感知、理解、生成、执行串成一条链路。MOSS-VL、MOSS-Audio、MOSS-Transcribe-Diarize负责理解，MOSS-TTS、MOVA和能动性模型负责生成执行，中间处理记忆、上下文与实时调度。即将发布的MOSS Live由前端交互模型和后端能动性模型协同：前者持续看听说，后者负责复杂推理和任务执行。这里的“实时”不是响应快，而是跟上用户改口、画面切换和设备状态变化带来的语义漂移。
希鸥网认为，这轮融资的核心看点不在金额，而在模思试图搭建的闭环：从模型到交互，从交互到数据，再从数据回到模型。前端全模态系统进入眼镜、汽车、家庭终端和机器人，获取互联网上稀缺的连续交互场景数据；后端AI for AI把新数据与反馈送回迭代。华控基金领投、国开科创与上海科创基金等国资背景机构参与，说明资本对“入口级交互智能”的战略卡位已从观望转向押注。
邱锡鹏团队从MOSS到全模态实时交互，十年路径反复验证一个规律：组织必须清楚谁对完成使命负总体责任。研究方向从语言到语音再到多模态，每个阶段都有明确的技术责任人。模思孵化于OpenMOSS团队，承接复旦与上海创智学院的产学研资源，关键岗位由深耕预训练、语音、视觉的研究者分别把守。创业者应记住，角色错位往往源于情势变化下的仓促调整，最终让错误的人承担错误的职责。
模型以周为单位迭代，意味着问责必须触及直接下属的下一级。模思半年发布20多个模型，数据筛选、质量判断、训练反馈每个环节都需明确谁对结果负责。如果问题出乎意料，往往因为管理者远离了下属和工作流程。创业者要允许下属的下属越级汇报，交叉验证不同合作人的表现，从工作记录中捕捉情绪线索。不放过可疑线索，因为小问题可能是潜在大问题的征兆。
当模型开始处理真实世界的连续交互，思维差异带来的沟通障碍会放大。做语音生成的研究者与做视觉理解的研究者，对“上下文”的理解可能截然不同，就像对没有嗅觉的人描述玫瑰花香。解决差异需要耐心和开放心态，需要与多方互动验证形成完整图景。模思把AI for AI作为一条主线，本质是用模型间的交叉验证替代人对人的反复确认，让反馈闭环更少依赖某个人的判断。
金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。如需修改或发布文章，请加微信号：sheisceo