模思智能 capta más de 1000 millones de yuanes en una Pre-A para un modelo omnimodal en tiempo real

La startup shanghainesa 模思智能 anunció el 12 de octubre el cierre de una ronda Pre-A de más de 1000 millones de yuanes. Al tipo de cambio actual, son unos 140 millones de dólares. 华控基金 ha actuado como inversor líder. La compañía afirma que destinará el dinero a un modelo base de interacción omnimodal (全模态) en tiempo real. Un sistema así debe percibir y generar texto, voz, imagen y vídeo en un único flujo continuo, sin pausas entre el «oí» y el «respondo».

La cifra llama la atención incluso en un mercado donde las grandes rondas tempranas hace tiempo que no son una rareza. Una Pre-A suele medirse en decenas de millones de dólares, y aquí el orden de magnitud es otro. Los inversores financian, en la práctica, el desarrollo de un modelo fundacional propio, y no de un producto aplicado construido sobre el modelo de otro.

Quién ha invertido

La lista de participantes dice tanto sobre la ronda como la propia cifra. Además del líder 华控基金, en la operación participan 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 y 临港策源基金. La mayoría están vinculados a capital estatal o regional, sobre todo de Shanghái. Los accionistas anteriores 元禾控股, 上海国投 a través de 上海科创集团, y 星连资本 han vuelto a invertir. 多维资本 ha sido designada asesor financiero exclusivo de la ronda y también para el periodo posterior.

Que los inversores previos repitan suele interpretarse como señal de que el equipo cumplió lo prometido en la etapa anterior. Pero la compañía no ha revelado públicamente cuáles fueron esos resultados.

Qué se sabe del objetivo de la ronda

La línea declarada es una «base» (基座) para la interacción omnimodal en tiempo real. En China se llama así a un modelo fundacional sobre el que otras empresas construyen aplicaciones. La clave está en las palabras «tiempo real». El pipeline clásico «reconocimiento de voz, luego modelo de lenguaje, luego síntesis de voz» acumula latencia en cada paso. Un modelo único que trabaja directamente con varias modalidades puede responder más rápido e interrumpirse cuando el usuario interviene en la conversación. Es justo hacia ahí se mueven ahora también los grandes laboratorios.

El anuncio original, en la versión disponible, se interrumpe en la descripción de los objetivos. De él no se desprenden la arquitectura, el tamaño del modelo, los benchmarks ni los plazos de lanzamiento. Por eso, todo lo que vaya más allá de lo dicho sigue siendo una suposición.

Lo que está confirmado:

• Ronda: Pre-A, más de 1000 millones de yuanes (unos 140 millones de dólares).
• Inversor líder: 华控基金.
• Nuevos participantes: 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.
• Accionistas anteriores: 元禾控股, 上海科创集团, 星连资本.
• Asesor financiero: 多维资本 (exclusivo, para la ronda y a largo plazo).
• Destino de los fondos: modelo de interacción omnimodal en tiempo real.

Qué vigilar a partir de ahora

Para quienes siguen el mercado chino, las próximas señales de madurez del proyecto son bastante concretas. Primera: si aparecerán un informe técnico o pesos abiertos que permitan evaluar la latencia de respuesta y la calidad de la voz. Segunda: si la compañía nombrará a sus primeros clientes, por ejemplo en asistentes de voz, dispositivos inteligentes o servicios para empresas. Tercera: cómo influirá la ronda en la contratación, ya que los modelos en tiempo real requieren tanto investigadores como computación cara.

Para desarrolladores y equipos de producto, por ahora basta con añadir a 模思智能 a su lista de seguimiento. Mientras no haya API, documentación ni cifras, es pronto para incluirla en una arquitectura. A inversores y analistas les conviene comparar las condiciones de la ronda con las de otros actores chinos del segmento multimodal. Si los próximos pasos confirman las ambiciones, el clúster de Shanghái tendrá un aspirante más al papel de capa base para interfaces de voz y vídeo.