誰在賣，誰在買，誰被困住了，誰提前走了？

時間走到今天，智譜上市已有4個多月時間，其股價從116.20港元上市價格，漲到1001港元。這個背景下，故事逐漸展開。

2024年4月的一個下午，一位投資人在朋友圈看到了那則消息，隨後把手機扣在桌上沉默了很久。

消息說，月之暗面創始人楊植麟在完成10億美元融資後，通過出售個人持股套現了數千萬美金。"公司成立才一年。"這位投資人後來說，"他比他的投資人先出來了。"

月之暗面隨即否認了這則消息，但否認本身反而放大了爭議。

爭議在於幾個關鍵詞：老股、價值和財富。

幾個月後，朱嘯虎以循環智能老股東身份在香港提起仲裁，2024年年底，楊植麟被迫公開發文回應。一場圍繞老股的糾紛，變成了整個創投圈最漫長的一幕鬧劇。

沒有人錯了——因為根本沒有規則。

這是2026年中國大模型產業最少被正式討論、但幾乎每個從業者私下都繞不開的話題：當"AI六小龍"集體衝向港交所，隱藏在融資輪次背後的老股市場，究竟在發生什麼？

2023年春天，當楊植麟從循環智能分拆出來創辦月之暗面時，整個大模型賽道幾乎還是一片混沌。那時沒有人知道那家會跑出來，也沒有人預料到僅僅兩年後，這批公司會以如此不同的姿態站在各自的命運節點上。

有些投資人已經率先衝進去了，但仍有一大部分，仍在謹慎的觀望。

彼時的"六小龍"——智譜、MiniMax、月之暗面、階躍星辰、百川智能、零一萬物——融資累計超過60億元人民幣，佔據國內大模型早期融資總額的一半以上。它們共享同一批投資人，競爭同一批算力資源，爭搶同一批頂尖工程師。

在外人眼裡，它們是一個整體；在GP的投資組合裡，它們是命運高度相關的一組賭注。

這個語境之下，競爭是一件好事，只有有充分競爭的市場，才有可能被炒得更熱。2026年初，這組賭注的分化速度，比所有人預計的都快。

智譜和MiniMax已經登陸港交所。智譜上市後一個月內市值暴漲7倍，MiniMax同步高歌猛進，兩家市銷率一度高達550倍。港股給出的定價，遠超任何人在一級市場時的預期。

月之暗面在跨年夜剛完成5億美元C輪，楊植麟在全員信裡說"不著急上市"，但消息隨即傳來，公司正悄悄加速IPO節奏。就在最近，月之暗面即將完成新一輪20億美元（約合人民幣140億元）融資，投後估值破200億美元（約合人民幣1400億元）。階躍星辰以50億元刷新大模型單筆融資紀錄，Pre-IPO融資正在進行，印奇出任董事長，港交所的大門已在眼前。

而百川智能宣佈放棄通用大模型，全力轉型AI醫療；零一萬物解散預訓練團隊，轉向垂直場景。兩家公司的融資記錄此後陷入靜默。

同一張牌桌，同一批入局時間的玩家，兩年後的處境判若雲泥。

理解這場分化，需要先理解坐在牌桌另一側的那些人——那些在2022年前後把錢押進去、此刻正盯著螢幕上那串數字的機構。

君聯資本與其管理的社保中關村專項基金是智譜最大的外部投資人。他們在2022年、2023年、2024、2025年多次投資智譜，成為智譜最大的機構投資人。他們在智譜的多輪融資裡合計投入6.2億元，同時通過老股轉讓拿到更多籌碼，最終持有2710.9萬股。

這是一道簡單的算術題：2026年1月智譜上市後，這部分股權的帳面價值超過31.5億港元。帳面回報超過4倍。

但這道算術題的解法，遠比算式本身複雜。

"我們在2022年初就看到了這個方向。"一位參與過智譜早期融資的機構人士說，"但那時候ChatGPT還沒出來，大模型是什麼很多LP根本不理解。你要在內部過會，要說服委員會，要應對'這公司什麼時候能賺錢'的追問——光是這個過程，就已經是一場考驗了。"

考驗並沒有在投進去之後結束。2022年年底ChatGPT橫空出世，智譜的估值開始急速攀升。這時出現了第一個真實的決策壓力：要不要在某一輪參與老股轉讓，提前鎖定部分收益？

按照行業慣例，當一級市場項目出現大幅增值時，部分LP會通過老股轉讓實現階段性退出。但如果轉讓了，後續上市後的增值就與你無關。智譜從B2輪的5億美元估值，再到上市後突破4000億港元，每一個時間節點的賣出，都意味著與後續漲幅的永久告別。

君聯的選擇是：持續加注，不做提前退出。最終的帳單證明這個判斷正確，但在做出這個判斷的每一個當下，沒有人知道結局。

君聯管理的社保中關村專項基金也參與了智譜的投資。這一細節通常被略過，但它的意義值得停留一下：智譜這場財富故事的參與者，包括社保資金。這筆最具公共屬性的長期資金，最終和市場化機構一起，分享了中國AI崛起的紅利。

整個六龍老股圖譜裡，最沒人追問的，是米哈游投MiniMax這筆錢。

2021年，遊戲公司米哈游以2億美元估值進入MiniMax，是它的天使投資方。那一年，米哈游剛憑藉《原神》完成全球爆紅，正處於公司史上最高光的時刻。

為什麼是一家遊戲公司，在那個節點，以天使輪身份入場大模型？這個問題從來沒有得到正式解答。是判斷AI生成內容會顛覆遊戲產業的防禦性押注？是對MiniMax創始人閆俊傑的個人信任——他曾是商湯副總裁，遊戲與AI的交集是真實的？還是早於行業共識的戰略前瞻？

2026年1月MiniMax上市，投資帳面賺了約百億。隨著MiniMax股價的上漲，這個數字，仍在不斷向上攀登。

這個結果讓這個問題變得更值得追問，因為一筆成功的投資背後，埋著的是決策邏輯——而這個邏輯，是可以復用的。

如果說前面的故事是已經發生的歷史，階躍星辰的Pre-IPO，是一場正在即時上演的博弈，也是中國大模型老股市場最赤裸的截面。

2026年初，階躍星辰Pre-IPO融資分兩撥交割：第一撥投前估值約40億美元，第二撥已漲至50-60億美元。同一筆融資，前後兩撥買家，入場成本相差將近50%。

不僅是大模型領域，如今的具身智能賽道，這一幕幾乎每天都在上演。

這個結構在正常的融資市場裡幾乎不會出現。它的出現，說明兩件事同時成立：一、對這個標的有需求的買家多到可以在短時間內鬨抬估值；二、後進來的買家，願意為這種哄抬支付溢價。

他們願意支付溢價的唯一理由，是智譜和MiniMax上市後的表現——550倍市銷率。那個倍數，變成了後進入者最有力的自我說服工具：港股會給出更高的溢價，我不是最後一個買單的人。

一個業內的笑話是，有人問投資人“你怎麼看待某個具身智能項目？”投資人回答：“他就像一個長相非常普通的同學，但有一天，突然全校人都在追她/他。”

每一個參與大模型融資的人，都在同一個邏輯裡轉圈。

這時，老股的流向就更為巧妙，有人害怕想要提前退，有人堅定看好未來。孰是孰非？沒有定論。

六小龍裡，最少被提及的案例，恰恰是理解整個市場最不可缺少的部分。

百川智能和零一萬物，選擇了戰略收縮。前者放棄通用大模型，押注AI醫療；後者解散預訓練團隊，轉向垂直行業服務。兩家公司的融資公告在這一節點後近乎消失。

這意味著，它們的早期投資人手裡，握著一批沒有定價錨的老股。

智譜的老股可以參照港股市值；月之暗面有最新一輪200億美元的估值標尺；階躍星辰的Pre-IPO正在即時定價。但百川和零一的老股，市場願意給多少？行業地位換了，賽道敘事變了，估值參照消失了。

更冷酷的現實是流動性。大模型賽道的買家本就集中，當兩家公司放棄了"通用大模型"這個最性感的標籤，潛在的老股接盤方會進一步縮減。這些股權將以什麼方式、什麼價格找到出口，是整個賽道里懸而未決的問題。

同一批機構，同一個年份入場的投資組合，贏家的老股被人排隊搶購，輸家的老股幾乎找不到市場——這種極度分化的流動性結構，才是中國大模型投資周期最真實的底色，遠比那些亮眼的回報數字更需要被記住。

那些還沒落袋的錢和規則的欠帳

從機構回到個人，六龍老股圖譜裡還有一條被忽略的暗線：員工。

智譜883名員工中，452人持有公司股份。這個51.2%的持股比例，在中國科技公司裡屬於罕見的高水平，被外界解讀為智譜對人才激勵的重視。上市後，這批員工帳面上的財富實現了質的飛躍。

但同一套體系裡，還有一個沉默的群體：離職員工。

按照行業通行的期權協議，員工離職後通常只有90天的行權窗口，過期作廢。行權意味著要自己掏錢，以約定的行權價買入老股，再等待上市解鎖。在公司估值飆升而IPO時間不確定的窗口期，這道門檻對大多數人來說難以跨越——要麼拿出一大筆現金賭一個未知的時間點，要麼永久放棄。

這是中國AI創業公司期權機制最本質的結構性問題：期權作為留人工具被廣泛發放，但變現通道的設計，始終由公司單方面掌握。對於那些在公司高速成長期離開的人來說，他們參與了創造，但可能永遠無緣分享。

在美國，這套問題已經有了相對成熟的解法。Forge Global、CartaX等二級市場平台提供報價與撮合，優先購買權條款在股東協議裡有明確界定，連續創業者的老股東權益補償也有行業慣例可循。Anthropic最近的二級市場掛牌對應估值超過一兆美元，資訊公開，可以查證。

中國沒有這些。大模型公司的老股交易至今在私下撮合，沒有公開報價，沒有定價標準，沒有流動性基礎設施。曾有人評論了一句話，至今是整個市場最誠實的描述："連續創業者上一次創業是否收拾乾淨、老投資人利益到底怎麼算，目前業內沒有通行做法。"

這不是一個單家公司的問題，也不是某一個創始人或者機構的道德問題。這是整個一級市場在這輪AI浪潮中積累的制度欠帳——市場跑得太快，規則沒有跟上。

六龍各有各的命。有人已經在港交所敲了鑼，有人還在等窗口，有人的老股被人排隊搶，有人的老股找不到買家。財富在各個層次以各種方式流動：機構帳面回報從4倍到顆粒無收，員工從千萬富翁到期權歸零，創始人在套現與仲裁之間走鋼絲。

這場分化還沒有結束。贏家的故事很容易講，而且每天都有新的。

那些還沒落袋的錢、那些還沒釐清的規則、那些還沒被追問的決策——才是這場盛宴真正值得被記錄的部分。 (融中財經)

機器學習三大頂會之一的ICLR 2024，正在維也納如火如荼地舉行。

雖然首個時間檢驗獎、傑出論文獎等“重頭戲”已經陸續頒布，但在其它環節中，我們卻發現了一件更有意思的事情。

同樣是作為ICLR重要組成部分的特邀演講（Invited Talk），每年都會邀請在機器學習領域有突出貢獻和影響力的專家學者進行演講。

並且僅從他的演講主題The ChatGLM’s Road to AGI中，我們就能挖到更多的線索——

ChatGLM，正是由清華系初創智譜AI所推出的千億參數大語言模型。

那麼被ICLR官方唯一“翻牌”的智譜AI團隊，又在長達1個小時的特邀演講中說了些什麼？

在“大模型之戰”開啟以來，智譜AI的ChatGLM不誇張地說，是一直處於國內第一梯隊的玩家之一。

事實上，智譜AI從2019年就已經入局LLM的研究；從目前的發展來看，智譜AI與OpenAI在AIGC的各個模態上均已呈現出生態對標之勢：

雖然生態對標得很緊密，但從技術路線上來看，智譜的GLM與GPT是截然不同的。

當下基於Transformer架構的模型大致可以分為三類：

僅編碼器架構（Encoder-only）、僅解碼器架構（Decoder-only）、編碼器-解碼器架構（Encoder-Decoder）。

GPT是屬於“僅解碼器架構”的玩家，而GLM則是借鑑“編碼器-解碼器架構”的思路去發展；因此也有一番獨樹一幟的味道。

而作為此次唯一被ICLR邀請做演講的中國大模型公司，智譜AI團隊在現場先分享了自己是如何從ChatGLM一步步走向GLM-4V，即從LLM邁向VLM。

我們可以從下面這張發展時間線中，先有一個整體脈絡上的感知。

具體到技術上的實現，比較關鍵的節點便是CogVLM的提出，主打讓大模型帶上視覺。

CogVLM模型主要包含四個元件，分別是ViT編碼器、MLP介面卡、大型預訓練語言模型和視覺專家模組。

這個方法可以說是改變了視覺語言模型的訓練範式，從淺層對齊轉向深度融合。

值得一提的是，CogVLM還被Stable Diffufion 3用來做了圖像標註。

基於此，智譜AI團隊在本次特邀演講環節中，更多地介紹並亮出了近期的前沿成果。

例如CogView3，是一個更快、更精細的文生圖模型。

其創新之處便是提出了一個級聯框架，是第一個在文字到圖像生成領域實現級聯擴散的模型。

從實驗結果來看，CogView3在人類評估中比當前最先進的開源文字到圖像擴散模型SDXL高出77.0%，同時只需要大約SDXL一半的推理時間。

CogView3的蒸餾變體在性能相當的情況下，只需SDXL的1/10的推理時間。

同樣是基於 CogVLM，智譜AI所做的另一項研究CogAgent，則是一款具有視覺Agent能力的大模型。

CogAgent-18B擁有110億的視覺參數和70億的語言參數, 支援1120*1120解析度的圖像理解。在CogVLM的能力之上，它進一步擁有了GUI圖像Agent的能力。

據瞭解，CogAgent-18B已經在9個經典的跨模態基準測試中實現了最先進的通用性能；並且在包括AITW和Mind2Web在內的GUI運算元據集上顯著超越了現有的模型。

除此之外，智譜AI團隊還提出：AI大模型的智能湧現，關鍵在於Loss，而並非模型參數。

為此，團隊提出了Pre-training Loss作為語言模型“湧現能力”的指標，訓練了30多個不同模型參數和資料規模的語言模型，並評估了他們在 12 個英文和中文資料集上的表現：

Pre-training Loss 與下游任務性能呈負相關，即預訓練損失越低，下游任務性能越好。這一結論適用於不同參數尺寸的語言模型，不受模型大小、訓練資料量的影響。

對於一些下游任務，當 Pre-training Loss 低於某個閾值時，性能才會超過隨機猜測水平，呈現出“湧現能力”。這些任務的性能閾值大致相同，約在2.2左右。

即使使用連續指標評估，仍觀察到“湧現能力”的存在。這表明湧現能力並非由非線性或離散指標導致。

再如針對LLM解決數學問題，提出了Self-Critique的迭代訓練方法，通過自我反饋機制，幫助LLM同時提升語言和數學的能力。

對於ChatGLM通向AGI的後續計畫，智譜AI在本次特邀演講中也亮出了自己的“三步走”。

首先是GLM-4的後續升級版本，即GLM-4.5。

據瞭解，新升級的模型將基於超級認知SuperIntelligence和超級對齊SuperAlignment技術，同時在原生多模態領域和AI安全領域有長足進步。

通向通用人工智慧之路，文字是最關鍵的基礎。

但下一步則應該把文字、圖像、視訊、音訊等多種模態混合在一起訓練，變成一個真正原生的多模態模型。

其次，為瞭解決更加複雜的問題，團隊將引入GLM-OS的概念。

GLM-OS是指以大模型為中心的通用計算系統，具體實現方法如下：

基於已有的All-Tools能力，再加上記憶體記憶memory和自我反饋self-reflection能力，GLM-OS有望成功模仿人類的PDCA機制，即Plan-Do-Check-Act循環。

首先做出計畫，然後試一試形成反饋，調整規劃然後再行動以期達到更好的效果。大模型依靠PDCA循環機制形成自我反饋和自我提升——恰如人類自己所做的一樣。

這項技術其實智譜AI從2019年以來便一直在鑽研，主要是研究人類的“無意識”學習機制：

當人在睡覺的時候，大腦依然在無意識地學習。

“無意識”學習機制是人類認知能力的重要組成部分，包括自我學習self-instruct、自我反思self-reflection和自我批評self-critics。

團隊認為，人腦中存在著反饋feedback和決策decision-making兩個系統，分別對應著LLM大模型和Memory記憶體記憶兩部分，GLM-zero的相關研究將進一步拓展人類對意識、知識、學習行為的理解。

而這也是GLM大模型團隊第一次向外界公開這一技術趨勢。

當然，除了這場特邀演講之外，回顧本屆ICLR其它亮點，可以說大模型著實是頂流中的頂流。

首先是斬獲本屆ICLR頒發的第一個時間檢驗獎（Test of Time Award）的論文，可以說是經典中的經典——變分自編碼器（VAE）。

正是這篇11年前的論文，給後續包括擴散模型在內的生成模型帶來重要思想啟發，也才有了現如今大家所熟知的DALL·E 3、Stable Diffusion等等。

也正因如此，在獎項公佈之際便得到了眾多網友的認可，紛紛表示“Well deserved”。

論文一作Diederik Kingma現任DeepMind研究科學家，也曾是OpenAI創始成員、演算法負責人，還是Adam最佳化器發明者。

VAE採用了一個關鍵策略：使用一個較簡單的分佈（如高斯分佈）來近似複雜的真實後驗分佈。模型的訓練通過最大化一個稱為證據下界（ELBO）的量來實現。

這種方法可以被看作是在圖像重建的同時，對潛在變數的分佈施加了一種“規範化”約束。

與傳統自編碼器相比，VAE所學習的潛在表示通常具有更強的解釋性和更好的泛化能力。

在論文的實驗部分，作者展示了VAE在MNIST資料集上生成手寫數字圖像的能力。

ICLR 2024的首個時間檢驗獎還設定了亞軍（Runner Up）獎項。

同樣也是非常經典的一項研究，作者包括OpenAI首席科學家的Ilya、GAN的發明者Ian Goodfellow。

這項研究名為Intriguing properties of neural networks，官方對其的評價是：

研究強調了神經網路容易受到輸入的微小變化的影響。

這個想法催生了對抗性攻擊（試圖愚弄神經網路）和對抗性防禦（訓練神經網路不被愚弄）領域。

除了時間檢驗獎之外，每年的傑出論文獎（Outstanding Paper Awards）也是必看點之一。

彙整鉅亨號中所有使用「中國大模型公司」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`