鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

火线解析智谱AI招股书:年营收3亿增速130%,率先冲刺全球大模型第一股

编程导航
编程导航
2025-12-20 00:00
阅读 272
编程导航
2025-12-20 00:00
阅读 272

6年融资83+亿元

“全球大模型第一股”,在港交所发起冲刺了。

被视为“中国版OpenAI”的智谱AI,刚刚招股书对外公告,冲刺IPO。

这支由清华顶尖团队孵化的科技公司,今年4月拿到IPO辅导备案的入场券,随后关于智谱IPO的风声未曾停歇,却没想到今年年底进度骤然拉满——

智谱AI以秘密递表的形式,刚刚在港交所通过聆讯,即将敲钟。

成立6年间,智谱AI融资8轮,累计筹资超83亿元,背后明星资本云集,最新估值已达243.8亿元。

智谱(Z.AI),其实大家可能已经很熟了,中国最早开启LLM研发的公司,被视为“中国版OpenAI”,聚焦AGI的研发,以期“让机器像人一样思考”。

公司的技术核心,围绕其自主开发的“GLM”系列模型展开,现在已经构建了从基础模型到应用产品的完整体系。

在2024年中,智谱AI与OpenAI同期发布了AGI的L1-L5路径图:

  • 预训练阶段:智谱要教会机器理解、书写并使用人类语言进行交流。
  • 对齐及推理阶段:将机器智能与人类意图对齐,并教会机器进行推理与规划。这包括提升安全性,减少幻觉,并实现语言智能与图片、视频、语音和行动的对齐。
  • 自主学习阶段:教会机器通过自我批评、自我反思及沉思,从而实现机器智能从自身的思维和行动中进行学习。
  • 自我认知阶段:在没有人类监督的情况下,机器通过观察自身行为及自我解读,逐步形成其自主的态度及情感。
  • 意识智能阶段:机器开始对自身的内部状态及外部环境产生感知,表现出类似于人类意识的特征——即使对人类而言,这一概念也依然复杂。

目前,智谱已开发出三个阶段的大模型及智能体,如中国首个千亿规模大模型GLM-130B(预训练阶段)、中国首个开源大型聊天模型ChatGLM(对齐及推理阶段)等等。

火线解析智谱AI招股书:年营收3亿增速130%,率先冲刺全球大模型第一股

具体到产品矩阵上:

首先来看基座模型,这是开发各种专业模型的基础。

智谱的“GLM”系列模型采用自回归填空架构,具备强大的通用理解与生成能力,支持文本、图像、语音、视频等多模态输入输出,在在鲁棒性、可控性和幻觉性方面效果突出。

今年下半年,智谱推出了新一代旗舰模型GLM-4.5/4.6,首次实现在一个模型中原生融合推理、编码和智能体能力。

据弗若斯特沙利文的资料:

GLM-4.5一经发布,48小时内就跃居抱抱脸热门榜全球榜首;7月的12项业界标准基准测试中,GLM-4.5在全球排名第三、在中国拿下第一,在全球开源模型中居于首位。

火线解析智谱AI招股书:年营收3亿增速130%,率先冲刺全球大模型第一股

而9月上线的GLM-4.6,主要强化了编码能力,发布即适配寒武纪、摩尔线程芯片。

在大模型竞技场Code Arena上,GLM与Anthropic、OpenAI的模型并列Coding全球第一,超越了海外闭源模型谷歌Gemini和xai的Grok。

针对大模型“推理效率低、成本高”的痛点,智谱AI研发了专用推理模型,通过模型压缩、量化等技术优化推理速度,降低部署成本。

例如GLM-4-9B,模型开源后累计获超15万GitHub星标,全球下载超过3000万。

接下来是智谱AI的多模态模型,如CogVLM、CogView、CogVideoX等,实现了文本、图像、视频、语音的跨模态理解与生成。

最后,Agent是智谱今年的核心战略方向,AI开始从“对话”转向“行动”。

其中,AutoGLM是全球首个可自主操作手机的智能体,用户不必手动操作,就能通过语音指令完成点餐、订票、查房、预约、撰写文稿、生成视频等跨应用任务。

今年8月更新的AutoGLM 2.0,还支持接入AI眼镜、手表、家电等硬件,让硬件具备“手机级操作能力”,比如用Rokid智能眼镜点咖啡。

火线解析智谱AI招股书:年营收3亿增速130%,率先冲刺全球大模型第一股

在商业化方面,智谱起步较早,从2021年就开始布局MaaS(即大模型API调用)的商业模式,和OpenAI、Anthropic的变现方式类似,智谱也是目前唯一一家实现MaaS有规模收入的创业公司。

这种模式的优势是高度灵活且可扩展,交付“通用智能”而非“定制项目”,能更快、更低成本地去铺设到更多场景。

目前,智谱MaaS开放平台上有270万+企业及应用开发者,是国内最活跃的大模型API平台之一。客户群体主要面向科技互联网和企业服务市场,目前中国前10大互联网公司中,有9家都在用智谱的GLM大模型。

在全球大模型超市OpenRouter中,GLM-4.5/4.6调用量排在全球前10,付费流量收入已经超过所有国产模型之和。

并且不仅仅是在国内收入高,GLM-4.5/4.6在海外也在赚钱,其面向全球开发者的模型业务(GLM coding plan),目前已经获得超过1亿元人民币的收入,3个月吸纳了超15万付费开发者用户。

截止今年9月30日,智谱模型已经辐射到全球12000家企业客户、超8000万台终端用户设备,以及超4500万名开发者。

今年11月,智谱的日均云端token调用量超过4.2万亿次,成为了中国赋能终端设备最多的独立通用大模型厂商。

正是这样的商业模式和业务规模,让智谱在财务指标方面表现出了飞速增长。

先看营收层面,2022年、2023年、2024年,智谱的营业收入分别为为5740万元、1.245亿元、3.124亿元,复合年增长率达到130%。

2025年上半年,公司收入为1.9亿元,超越了2023年的全年水平。

火线解析智谱AI招股书:年营收3亿增速130%,率先冲刺全球大模型第一股

其中,AI大模型是智谱的核心产品,因此公司的主要来自于大模型收入。

据弗若斯特沙利文报告,以2024年的收入计,智谱是中国最大的独立大模型厂商。

再看利润层面,2022年~2024年,智谱毛利率为54.6%、64.6%、56.3%。

今年上半年,公司毛利率为50%。近三年,智谱始终保持50%以上的高毛利率。

火线解析智谱AI招股书:年营收3亿增速130%,率先冲刺全球大模型第一股

在营业费用中,智谱的重心主要放在了研发上。

2022年~2024年以及2025年上半年,公司研发费用分别为8440万元、5.289亿元、21.954亿元和15.947亿元。

火线解析智谱AI招股书:年营收3亿增速130%,率先冲刺全球大模型第一股

截至今年6月30日,公司的研发团队有657人,占公司总人数的74%。

其核心科研团队和学术顾问团队已发表500篇顶尖高影响力论文,累计引用次数超过58000余次。

最后在现金层面,截至今年6月末,智谱的现金及现金等价物为25.2亿元。

智谱AI成立于2019年,由清华大学技术成果转化而来,创始班底源自清华大学计算机系知识工程实验室(KEG)。

这个实验室成立于1996年,是国内最早开展自然语言处理、知识图谱研究的实验室之一。

CEO张鹏,是清华大学2018创新领军工程博士,毕业于清华大学计算机科学与技术系。

他的职业生涯始于清华大学知识工程实验室(KEG),2002年硕士毕业后就加入实验室,2006年起主导研发科技情报平台AMiner——这个系统就是智谱AI的技术雏形。

在智谱,张鹏负责公司整体运营与战略规划,主导了GLM系列大模型、ChatGLM对话模型等核心产品的研发与商业化。

智谱的首席科学家唐杰,是清华大学计算机系教授、系副主任、清华-工程院知识智能联合实验室主任,国家杰出青年科学基金获得者,也是KEG实验室的核心人物。

他的研究方向包括社会网络分析、数据挖掘、机器学习、知识图谱等。

董事长刘德兵,中科院计算所博士,师从中国工程院院士、中国计算机领域权威专家高文。

他曾任清华数据科学研究院科技大数据研究中心副主任、Thomson北京研究院高级研究员、清华计算机系高级工程师。

智谱AI总裁王绍兰,清华大学创新领军工程博士,曾任清华大学数据科学研究院科技大数据研究中心副主任,推动了智谱AI从“实验室”走向“市场”。

智谱的核心团队成员,基本都来自清华大学计算机系知识工程实验室,长期从事大规模预训练模型、语义大数据分析、智能问答等领域的研究。

有这样顶尖的技术天团做背书,智谱在资本市场可谓是一路绿灯。

成立当年,公司就获得了4000万元的天使轮融资,投资方来自清华大学资管和中科创星。

此后6年间,智谱已融资超8轮,累计融资超83亿元。

背后的投资者更是明星资本云集,参与方既包括美团、蚂蚁、阿里、腾讯、小米、金山、Boss直聘、好未来等产业资本,又有君联、红杉、高瓴、启明创投、顺为等一线机构,同时还有不少地方政府国资来支持。

截至IPO前,智谱的最新投后估值已达243.8亿元。

而这家公司之所以广受资本市场追捧,也不仅仅是因为班底和技术实力硬,还因为整个行业正走向空前火热。

据弗若斯特沙利文资料,以收入计,2024年中国大语言模型市场规模已达到人民币53亿元;其中,机构客户贡献人民币47亿元,个人客户贡献人民币6亿元。

而在LLM技术的不断进步,以及机构和个人需求增长的催化下,预计到2030年,中国LLM市场规模将增至人民币1011亿元,2024 年至2030年的复合年增长率为63.5%,并且仍由机构客户作为增长的核心动力。

在这种背景下,企业级LLM市场的商业化路径日益逐渐清晰,并走向多元化格局。

行业前景大有可为,而当下正是招兵买马的时刻。

在这个节点上,OpenAI已经明确IPO计划,而“中国版OpenAI”,此时此刻,率先走向公众市场了。

招股书传送门:
https://www1.hkexnews.hk/app/sehk/2025/107977/documents/sehk25121901699_c.pdf

版权所有,未经授权不得以任何形式转载及使用,违者必究。
原文链接: 火线解析智谱AI招股书:年营收3亿增速130%,率先冲刺全球大模型第一股
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手