复旦邱锡鹏团队创立的模思智能完成超10亿Pre-A轮融资，聚焦情境智能与实时多模态交互

事件概述

2026年10月12日，模思智能（Mosi Intelligence）宣布完成超10亿元人民币的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、新微资本、徐汇资本、追光硬科技创投、临港策源基金等机构参与，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。该轮融资距离其天使轮官宣仅半年左右。

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，CEO为李世民。公司孵化自复旦大学OpenMOSS团队，成立不到两年，核心目标是构建“情境智能”，即让AI从被动回答问题转向在真实世界中持续在场，具备边听、边看、边说的实时交互能力。

核心技术与产品进展

模思智能采用“全模态实时交互”的技术路线，自2026年以来围绕语音、视觉和实时多模态连续发布了20多个模型，其中包含多个开源版本：

• MOSS-Transcribe-Diarize：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。2026年7月开源的0.9B参数版本支持50多种语言，并在INTER SPEECH 2026第二届MLC-SLM Challenge中获得第一名。
• MOSS-Audio：不仅识别文字内容，还能捕捉语速、情绪、性别、言语卡顿及环境声音等非文本信息。
• MOSS-TTS：支持基于文本描述生成特定音色（如年龄、性别特征）的可控语音合成。
• MOSS-VL & MOSS-VL-Realtime：处理图像及持续进入的视频流。MOSS-VL-Realtime能够持续接收视频流并实时更新判断，无需等待视频结束。

研发模式：“AI for AI”闭环

模思智能建立了一套“模型帮助模型、模型校验模型”的研发循环，称为“AI for AI”。

1. 自研工具替代人工标注：针对复杂音视频场景，使用自研的理解模型进行细粒度数据清洗和标注（如情绪、韵律、镜头运动等），降低对通用闭源模型的依赖和人工成本。
2. 交叉验证与迭代加速：不同模态模型（语音、视觉、文本）对同一数据进行交叉印证，快速暴露错误并筛选低质量数据。例如，语音模型判断说话人，视觉模型验证口型动作，文本模型检查上下文一致性。
3. 高效迭代：得益于自动化数据管线，团队在2026年4月一周内连续迭代6个版本，7月初连续两天开源两个重要模型。这种模式使得公司在有限人力下实现了更快的模型迭代速度和更低的成本。

技术愿景：走向Omni Model与情境智能

尽管行业主流正迈向Omni Model（全模态统一模型），模思智能认为当前多模态模型仍遵循“输入-思考-输出”的回合制，缺乏对时间流的实时响应能力。

• 全双工实时交互：模思旨在打破先后顺序，将听、看、说置于同一条时间轴上。模型在生成的同时能接收新信息并随时调整回应，实现真正的实时互动。
• 架构设计：即将发布的MOSS Live系统采用分工架构：前台交互模型负责持续感知和理解现场，后台能动性模型处理复杂推理和任务执行。这种设计试图在保留声音画面原始信息的同时，避免损害语言模型的逻辑推理能力。
• 最终目标：过渡形态之后，模思计划实现全模态统一模型，让模型真正理解由声音、画面、动作和时间关系构成的“情境”，从而在机器人、智能硬件等物理终端中实现自然交互。