上证报中国证券网讯（记者 孙小程）7月17日至20日，模思智能首次亮相2026世界人工智能（885728）大会（WAIC 2026），集中展示实时视频理解、复杂音频转写、语音及音视频生成和实时交互等最新进展。
模思智能是一家面向下一代情境交互智能的大模型创新企业，由上海创智学院与复旦大学OpenMOSS团队，复旦大学教授、上海创智学院全时导师邱锡鹏担任首席科学家。团队从2023年的MOSS语言模型出发，逐步将能力扩展至语音、音频、视觉等多种模态的理解与生成。
情境智能是模思智能业务方向上的辨识度所在。模思智能CMO（首席营销官）路瀚程向记者表示，单纯的语音或视频生成只是基础，真正的壁垒在于对语境、内容的整体理解与精准交互。这条路线尽可能保留真实交流中容易在转写过程中丢失的语气、情绪、节奏、人物和现场状态，让模型把声音、画面和时间放在完整情境中理解。
路瀚程明确，模思智能将坚定走开源路线。凭借创始人在学术与产业界的双重影响力，其大量模型保持开源，并在性能榜单上名列前茅，已在开源社区形成号召力。
在商业化上，模型能力是模思智能的竞争优势所在，因此公司会将大部分资源优先倾注于模型能力的打磨。路瀚程介绍，目前公司采取B端与C端并行发展的策略，希望通过模型能力的提升，借助开源社区的生态效应，自然吸引客户与场景，实现商业化的稳健增长。
在模思智能WAIC展台中央，一座“声音巴别塔”成为最醒目的现场装置。参观者可以说出不同国家的语言或不同地区的方言。系统识别其中的语言、口音和表达特征后，会点亮塔上的一个节点。随着越来越多的人参与，巴别塔被逐层补全，最终由不同语言背景的声音共同点亮。
这些现场体验背后，是模思智能正在构建的MOSS系列多模态基础模型。此次WAIC，模思智能将MOSS-TTS语音合成模型、MOSS-Transcribe-Diarize多说话人转写模型，以及最新发布的MOSS-VL-Realtime实时视觉理解模型集中带到现场。
目前，这些能力已经开始从模型和评测走向真实用户。MOSS-TTS Family在Hugging Face等开源社区的累计下载量已突破200万次；MOSS-Transcribe-Diarize-0.9B开源后登上Hugging Face Audio-Text-to-Text Trending榜单第一；OpenMOSS相关开源项目在GitHub上也已获得超过1万颗Star。
