模思智能：后发大模型从语音切入情境智能，走需求导向差异化路线
2026/07/18 22:41阅读量 2
模思智能由原MOSS团队于2024年创立，选择语音而非文本大模型作为突破口，采用端到端方案布局情境智能。当前产品线包括多说话人转写、实时视频理解及内容创作平台，以MaaS和产品两种模式服务AI玩具、车企等客户，仍处早期验证阶段。团队通过开源建立影响力，计划2026年底至2027年初合并为统一全模态模型。
事件概述
模思智能（2024年成立）由复旦大学教授邱锡鹏与学生李世民共同创办，核心团队出自国内早期大语言模型MOSS。面对2023年文本大模型的白热化竞争，团队放弃继续深耕文本，转而选择技术路线尚不成熟的语音作为多模态入口，旨在通过端到端方案替代传统ASR-LLM-TTS级联架构，保留情绪、音色、环境等声学信息，并降低时延。
核心信息
- 技术路线：采用端到端语音模型，直接处理语音输入输出，避免级联信息损失；长期方向为“情境智能”，即模型持续感知物理环境（画面、声音、交互）进行自然交互，而非简单叠加模态。当前先打磨单项能力（语音转写、合成、实时视频理解），计划2026年底至2027年初合并为统一端到端全模态模型。
- 差异化成果：MOSS-Video-Preview实时视频流理解模型，能持续接收流式视频并即时响应画面变化；0.9B参数量的MOSS-Transcribe-Diarize开源多说话人转写模型，可端侧部署，解决嘈杂公共场所中机器人语音交互迟钝问题。
- 商业模式：两种路径：1）MaaS（模型即服务），向B端提供原子能力API；2）产品端Mossland，一站式语音AIGC创作平台，用用户反馈迭代模型。当前主要客户为AI玩具厂商、智能车企，商业化团队仍在搭建，未实现规模化收入。
- 开源策略：早期通过开源模型扩大影响力、获取用户反馈，同时提供更强性能的闭源API与产品，分层满足不同需求。
值得关注
作为后发公司，模思智能不盲目跟进全模态，先深耕语音领域形成数据积累，再扩展至实时视频等模态，目前无完全同路径的直接竞争对手。团队约100人，先验证单项能力再合一的路线能否在通用大模型厂商走向全模态前建立壁垒，是后续观察重点。