8B模型干翻GPT-4V？面壁智能再获数亿融资，端侧AI加速安防落地

【导语】12月23日面壁智能宣布完成数亿元融资，截至2025年12月24日其已累计完成8轮融资，总额约26.5亿。该企业在端侧AI领域技术实力强劲，产品已在安防行业落地，不过也面临实时性、技术同质化等挑战，此次融资将为其发展注入新动力。

　　12月23日，面壁智能宣布称，已于近期完成数亿元融资。本次融资由京国瑞、国科投资、中金保时捷基金、米聚资本与和基投资共同参与，募集资金将主要用于加大端侧高效大模型的研发投入，加速端侧AI的商业化进程。

　　视觉物联了解到，截至2025年12月24日，面壁智能已累计完成从天使轮到D轮的8轮融资，总融资额约26.5亿元人民币。

　　持续且充足的资本注入，不仅充分彰显了市场对端侧AI赛道发展潜力的认可，更为面壁智能深化技术研发、拓展应用场景奠定了坚实基础，预示着其端侧大模型技术的落地进程将进一步提速。

　　在技术布局上，面壁智能早已展现出强劲的创新实力。早在2024年8月，该企业便发布了MiniCPM-V2.6端侧大模型，这款仅8B参数量的模型，首次实现了超清OCR识图、实时视频理解等核心能力的端侧集成，更在单图分析、多图对比及视频动态理解等关键指标上，实现了对GPT-4V的超越，展现出极强的技术竞争力。

　　从市场应用来看，当前端侧大模型在安防行业的落地已初见成效，主要集中于边缘侧与终端设备两大场景。

　　其中，边缘侧的核心产品形态包括大模型一体机、边缘计算盒子等，目前北斗智能已将面壁智能的大模型应用于园区、地铁等实际场景；终端设备则以智能NVR和摄像头为主，应用领域主要围绕周界报警场景展开。

　　不过，安防行业的特殊需求也给端侧大模型的落地带来了独特挑战。行业人士透露，安防领域的诸多场景对实时性要求极高，若仅依靠大模型进行实时分析，现阶段仍需前置多层小模型逻辑作为支撑。

　　这一做法的核心目的在于，过滤冗余信息、减少流向大模型的请求流量，因为即便像8B参数量的模型，其每秒仅能处理少量QBS请求，面对海量实时视频数据时，前端小模型的预处理环节不可或缺。

　　与此同时，行业也面临着技术同质化与数据壁垒的问题。目前，主流大模型的框架与架构已基本趋同，最终模型的性能差异主要取决于数据筛选、标注质量及数据配比的合理性。

　　当前多数大模型企业缺乏专业领域数据，主要依赖公开数据进行训练，这也导致模型在特定场景的适配性需要持续优化。

　　值得一提的是，大模型在技术维度上已具备显著优势，在视频理解等任务中，即便无需针对性调试，其表现也普遍优于传统小模型。

　　尽管存在挑战，大模型仍为行业带来了效率革新。在应用端，传统模式下制作一个供客户试用的Demo需耗时一周左右，而借助大模型的技术赋能，如今仅需一小时即可完成初步Demo搭建，后续再基于需求逐步深化优化，大幅缩短了产品验证与市场对接的周期。

　　总体而言，此次融资为面壁(bì)智(zhì)能(néng)的(de)技(jì)术(shù)迭(dié)代(dài)与(yǔ)市(shì)场拓展注入了新的动力。期待未来面壁智能能在多模态大模型的落地应用中持续突破，为安防及更多行业场景(jǐng)带(dài)来(lái)更(gèng)具(jù)创(chuàng)新(xīn)性(xìng)的(de)解(jiě)决(jué)方(fāng)案(àn)，推(tuī)动(dòng)端(duān)侧(cè)AI行(xíng)业(yè)实(shí)现(xiàn)更(gèng)高(gāo)质(zhì)量(liàng)的(de)发(fā)展(zhǎn)。