超球面科技完成数亿元天使轮融资，探索下一代基础模型Scaling范式

来源：猎云网

近日，深圳超球面科技有限公司（以下简称“超球面科技”）完成数亿元天使轮融资，由君联资本、某超一线美元基金、中科创星、商汤国香资本、华山资本WestSummit Capital、庚辛资本中国 等机构共同投资。公司由香港中文大学教授刘威杨创立，聚焦下一代基础模型研发。

公司主攻“Infinite Models”（无限模型组合）这一组合式基础模型Scaling新范式：它并非取代“Infinite Parameters”（无限参数）的单体模型Scaling路线，而是在其之上叠加演进——在更大的单体模型之上分化、组合大量专业化专家模型，构建可协作、可持续进化的模型组织，在单体模型Scaling范式逼近饱和之际，开辟智能持续增长的全新路径。

这一技术路线正获得越来越广泛的行业印证。2026年6月，Sakana AI发布基于组合式Scaling范式的Fugu模型，通过动态调度多个前沿模型协同推理，在多项权威基准测试中超越单一顶尖模型。超球面科技则依托团队在超球面学习领域的十年积累，从SphereFace等早期研究，到Orbit万亿参数大模型RL后训练框架、POET-X预训练框架与OFT正交微调算法，逐步形成支撑模型高效专家化与能力组合的技术基础。

Infinite Models：下一代基础模型Scaling范式

当前，基础模型的Scaling主要遵循Infinite Parameters范式：通过持续增加单体模型参数量与训练数据规模，将智能压缩进一个更大的模型。OpenAI、Anthropic等头部机构均沿此路径演进，更大的单体模型确实带来了更强的通用能力。然而，这一范式正面临算力成本指数级攀升与边际收益递减的双重挑战。

超球面科技提出的Infinite Models范式，开辟了一条可叠加的全新Scaling路径：不再追求单体模型的无限增大，而是分化出大量专业化专家模型，构建可组合、可互补共生的模型团队。更多专家模型意味着更强的问题解决能力——不同模型各擅胜场，通过智能调度与深度融合，系统整体能力得以超越单一模型。两种范式并非替代关系，而是叠加共生：Infinite Models不取代Infinite Parameters，而是在其之上继续拓展智能的边界。

这一理念有着深厚的思想渊源。人工智能之父、图灵奖得主Marvin Minsky在《心智社会》（The Society of Mind）中指出：“智能的力量源于我们巨大的多样性，而非任何单一完美的原则。”超球面科技的Infinite Models范式，正是这一思想在大模型时代的系统性工程化落地。

每一个Scaling范式终将饱和，而智能的增长永不停歇——这是超球面科技的核心信念。DeepSeek的崛起已经证明了一次“换道”的价值，不推翻Scaling Law，而是换一条更高效的赛道继续释放规模效应。超球面科技认为，Infinite Models正是下一次换道：当单体Dense模型与MoE架构的Scaling相继逼近饱和，由持续进化的模型组织承接下一段智能增长，是范式演进的必然方向。

组合式Scaling的独特优势，在于其开放性与可持续性：新的、更强的模型不断涌现，可随时被纳入模型组织，系统能力随之持续提升，而无需重新训练整个系统。但这一模型组织并非只靠整合外部模型，超球面科技在持续吸纳全球前沿模型成果的同时，更依托自研训练框架持续分化、产出专家模型，自研专家与外部模型共同构成持续进化的智能底座。这种“模型生态即Scaling”的模式，将智能增长从依赖单次大规模训练投入，转变为依靠模型组织的持续扩张与自我进化。Sakana AI与NVIDIA于2026年7月宣布合作推进开放模型创新，进一步印证了模型编排作为独立Scaling维度的行业共识正在加速形成。

“整合多元模型能力，构建持续进化的基座模型。”这是超球面科技给出的答案。主流开源与闭源模型，都可以纳入超球面的体系；智能仍将持续增长，而下一段增长，将源自一个可持续吸纳新模型、持续进化的智能组织。

全栈模型训练的技术壁垒：高效大模型预训练、正交微调与万亿参数RL后训练

超球面科技的技术底气，源于团队对Infinite Models全链路关键技术节点的完整覆盖。在模型预训练、后训练、参数高效微调、模型融合及理论算法与数据基础等方向，团队积累了自2016年至今的系列人工智能顶会成果，代表性工作涵盖四大核心技术方向：后训练方向的Orbit万亿参数RL后训练框架（2026开源项目）、预训练方向的POET-X（ICML 2026 Oral）、正交微调方向的OFT（ICLR 2024）、模型融合方向的OrthoMerge（ICML 2026）；此外，SphereNet（NeurIPS 2017 Spotlight）与MetaMath（ICLR 2024 Spotlight）分别奠定了基础架构与数据基础。

其中，三项代表性成果构成了超球面科技的核心技术支撑：

Orbit后训练框架：全球首个万亿参数单节点强化学习（RL）后训练框架。Orbit已验证对Kimi-K2.6、DeepSeek V4等万亿级大模型的稳定端到端RL训练，也是目前唯一可在单个8×B200节点上对1T至1.6T参数大模型进行稳定RL后训练的框架，大幅降低后训练算力门槛，专家模型迭代效率实现数量级提升。

POET-X预训练框架：将百亿参数大模型的预训练从多节点集群压缩至单张GPU，无需模型并行。POET-X已验证Llama-8B、Qwen-8B、Qwen-MoE-30B等模型的高效预训练，是目前最节省GPU显存的预训练框架，可在单个H100 GPU上对8B至13B参数大模型进行稳定预训练。该工作已被ICML 2026收录为Oral论文。

OFT正交微调：一种抗遗忘的参数高效微调（PEFT）算法。实验验证，OFT在目标任务上的表现上限高于主流LoRA路线，同时对原模型已掌握任务的遗忘更小，这对于持续培养专业化专家模型至关重要。

在系统架构层面，超球面科技将模型专家化训练与能力组合相结合：依托上述预训练、后训练和微调技术积累，构建自研的模型专家化框架，通过高效的后训练与微调分化出具有不同专长的专家模型，再通过模型路由与聚合组合它们的能力。系统面向用户提供统一入口，可灵活接入DeepSeek、Kimi、GPT、Claude等主流开源与闭源模型，并随行业进展持续纳入新模型，为不同任务匹配高效的模型组合方案。

超球面科技的长期目标，是构建能够持续扩展能力的基础模型。在推进这一目标的过程中，团队形成的训练框架、微调算法等阶段性成果，也具有独立的应用与商业化价值。这些成果既服务于公司的基础模型研发，也可围绕模型训练、后训练和微调等实际需求探索商业化，在研发过程中持续获得市场反馈、验证技术价值，逐步形成商业闭环。

创始人刘威杨：剑桥与佐治亚理工双博士，超球面学习领域的十年深耕者

刘威杨拥有国内AI创业领域罕见的学术背景：七年间先后于美国佐治亚理工学院获得计算机科学博士学位、于英国剑桥大学获得机器学习博士学位。学术成果方面，刘威杨累计在NeurIPS、ICML、ICLR、CVPR、ICCV、ECCV、TPAMI、EMNLP等全球AI顶会顶刊发表论文80余篇，其中第一作者论文20余篇，Google Scholar总引用量超过14000次。他在佐治亚理工学院仅用三年即完成博士学业，博士毕业时论文引用量已突破一万次。

工业界经历同样深厚。刘威杨曾任职于Google Brain（现Google DeepMind）与NVIDIA，从事多模态机器学习前沿研究；曾任马克斯·普朗克研究所博士后、研究科学家；并曾在计算机视觉领域泰斗Michael J. Black创办的初创MeshCapade中担任大模型训练科学顾问，MeshCapade今年初被Epic Games收购。

在开源生态领域，刘威杨主导了多个影响深远的项目：2016年提出的SphereFace至今仍是商用人脸识别系统的神经网络基础范式，被评为CVPR 2017最具影响力前十论文；主导构建的MetaMath数据集被Meta Llama 3模型采用，至今仍是开源数学微调数据构建的重要基础；提出的OFT正交微调算法被NeurIPS 2023、ICLR 2024、EMNLP 2025收录，成为参数高效微调领域的重要技术路线。相关项目GitHub星标累计超过数千次。

面向未来，超球面科技将围绕Infinite Models持续推进全栈基础模型开发，其中包含新范式下的预训练、后训练与微调技术研发，完善模型专家化框架，提高专家模型的训练效率与能力组合效果，并通过行业合作探索不同数据和任务下的模型专家化。长期来看，公司讲推出面向专家模型设计的基座模型，并推动基础模型能力的持续高效扩展。