💡 站外导读:投资银行与管理咨询每年花费高昂人力雇佣初级分析师熬夜搭建财务模型、修改路演 PPT 与撰写尽调报告。伦敦初创公司 Model ML 刚刚斩获 General Atlantic 与 QED Investors 领投的 2.5 亿美元 B 轮融资,估值飙升至 15 亿美元。更值得技术团队关注的是,面对 OpenAI 与 Anthropic 推出的金融插件,它全栈采用开源模型将成本压至闭源模型的 2%,跑通了高毛利垂直 Agent 路径。

一、 资本重注“金融苦力自动化”:一年内连融 A/B 两轮冲刺 15 亿美元独角兽
根据 TechCrunch 披露,成立仅三年的伦敦 AI 智能体企业 Model ML 正式完成 2.5 亿美元 B 轮融资,公司估值达到 15 亿美元。本轮融资由泛大西洋投资(General Atlantic)与现有投资方 QED Investors 联合领投,距离其公布 7500 万美元 A 轮融资仅仅过去一年时间。一年之内连续跨越两轮大额融资门槛,反映出华尔街与伦敦金融城对可量化替代初级人力工时的生产力工具存在极强的付费意愿。
Model ML 由连续创业者兄弟 Chaz Englander 与 Arnie Englander 联合创办。在投身垂直企业级 AI 之前,这对兄弟已成功孵化过两家公司,其中包括点对点物品租赁平台 Fat Llama(2022 年被瑞典竞争对手 Hygglo 以 4150 万美元收购)。从消费级交易平台转向高门槛的机构金融工作流,创始团队并未选择从通用聊天机器人切入,而是直接锁定了投行(Investment Banking)与管理咨询行业中最耗时、标准化程度却又高度依赖上下文连续性的三大交付物:财务模型构建、Pitch Deck(路演幻灯片)制作以及尽职调查报告撰写。
二、 打破对话窗口孤岛:Excel/PowerPoint 原生集成与交易上下文动态联动
在通用大模型普及初期,不少金融从业者尝试将财报 PDF 复制到网页对话框中辅助分析,但在真实投行并购(M&A)或承销项目里,这种割裂式用法极易失效——因为一份商业分析并非一次性问答,而是伴随尽调推进、客户口径调整和最新市场报价不断演化的动态工程,哪怕一个敏感性假设变动,都需要同步联动数十张 Excel 表格与上百页 PowerPoint 图表。
为此,Model ML 在工程架构上将 AI 智能体深度嵌入客户的企业内部数据系统、历史文档库以及原生的 Excel 与 PowerPoint 工具链中。按照公司披露的工作流机制,智能体能够持续掌握投行或咨询团队正在推进的完整交易上下文(Full Deal Context):一旦标的公司出现新的财务披露、估值倍数调整或外部事件变动,智能体不仅能识别影响范围,还可以自动触发并更新对应的 Excel 财务测算模型与 PowerPoint 演示文稿,将分析师从“深夜改数对齐字体”的机械循环中解放出来。
三、 为何全栈开源模型能打赢前沿闭源底座?2% 成本线背后的工程账本
当前金融垂直 AI 赛道可谓巨头环伺:一边是同样瞄准投行与咨询自动化、并在今年 4 月以 20 亿美元估值完成 1.6 亿美元融资的 Rogo 以及老牌文档分析平台 Hebbia;另一边,Anthropic 与 OpenAI 等前沿基础模型实验室也在直接面向金融专业人士推出官方插件与连接器(如金融数据整合与办公套件插件)。面对基座厂商的“降维打击”,垂直 Agent 创业公司如何保留护城河成为资本市场最核心的拷问。
Model ML 给出的破局答案非常硬核:彻底摆脱对高价闭源前沿 API 的算力依赖,全栈基于开源模型构建生产级智能体。公司明确表示,通过将开源模型深度适配到垂直金融任务链路中,Model ML 实现了以仅相当于前沿闭源模型约 2% 的推理成本完成同类复杂任务,同时在端到端交付响应速度上表现更快。下表从技术底座与竞争生态维度拆解了当前投行 AI 赛道的阵营分化:
| 代表厂商 / 阵营 | 资本与商业进展 | 模型架构与成本策略 | 核心业务切入点与护城河 |
|---|---|---|---|
| Model ML | 2.5 亿美元 B 轮(15 亿美元估值),距 7500 万 A 轮仅 1 年 | 全栈基于开源模型运行,推理成本仅为前沿闭源模型的约 2% 且响应更快 | 深度绑定企业数据、Excel 与 PowerPoint,围绕完整交易上下文实现模型与 Deck 自动联动更新 |
| Rogo / Hebbia 等垂直独角兽 | Rogo 今年 4 月完成 1.6 亿美元融资,估值达 20 亿美元 | 多模型编排与专有金融检索增强工作流 | 聚焦投行尽调文档检索、多源表格比对与合规审计追踪 |
| OpenAI / Anthropic 原厂金融方案 | 基础模型巨头亲自下场推出金融专用插件与连接器 | 依托自家闭源前沿旗舰模型,按高阶订阅或高单价 Token 计费 | 强于通用推理深度与品牌覆盖,但对企业私有异构表格与长周期局部自动刷新的耦合度相对较浅 |
四、 从“外挂问答”走向“系统驻留”:垂直行业 Agent 的工程演进风向标
Model ML 估值在一年内实现跨级跃升的背后,折射出 2026 年企业级 AI 落地的两大结构性拐点。首先是工作流驻留权(Workflow Ownership)高于通用智力上限:对于投行董事总经理或合伙人而言,模型在奥数或编程竞赛上多拿几分远不如“打开电脑时 Excel 折现现金流模型和 PPT 里的图表已经依据昨晚最新尽调纪要自动刷新、且格式零错乱”来得实在。
其次则是开源模型的行业长尾经济学正在彻底跑通。在边界清晰、数据结构化程度高、评估标准明确的金融建模与尽调领域,通用大模型庞大的通识参数往往意味着冗余的推理开销;当创业团队拥有足够的真实交易轨迹数据、Office 插件执行器与多步校验工作流时,经过领域调优与脚手架约束的开源模型完全能够以 1/50 的算力成本打出更高可用性与更低延迟——这正是垂直 AI 平台在前沿实验室重压之下守住高毛利与独立估值的关键底牌。
📝 站长洞察 (Editor’s Insight)
Model ML 凭借“开源模型 + 2% 闭源成本”在一年内冲上 15 亿美元估值,给所有抱怨“被 OpenAI 和 Anthropic 抢饭碗”的垂直 SaaS 创业者上了极具含金量的一课。通用大模型厂商天生擅长做水平扩展的对话插件,却极难替高客单价金融机构把交易上下文死死焊进 Excel 单元格与 PowerPoint 母版联动里。更关键的是算力经济学的反转:过去垂直应用给基础模型厂商当二道贩子,用户跑一次尽调账单就吃掉大半毛利;如今开源底座性能已越过金融文本处理与公式编排的及格线,谁能把开源权重跑出 2% 成本与更低延迟,谁就能把算力差价变成自己的研发弹药与估值护城河。
Model ML为什么能把推理成本压到2%?
文章显示,Model ML选择全栈基于开源模型构建生产级智能体,并针对金融任务链路做深度适配,因此能在完成同类复杂任务时,将推理成本压到前沿闭源模型约2%,同时保持更快的端到端响应速度。
Model ML主要解决投行哪些工作?
它聚焦投行和管理咨询中最耗时、最标准化但又依赖上下文连续性的三类交付物:财务模型构建、Pitch Deck制作,以及尽职调查报告撰写,并可随交易进展自动联动更新相关文件。
Model ML和Rogo、OpenAI金融插件有什么区别?
Rogo等垂直独角兽更偏多模型编排与金融检索工作流;OpenAI、Anthropic则是基础模型厂商直接提供金融插件。Model ML的差异点在于深度绑定企业数据、Excel和PowerPoint,并以开源底座控制成本。
Excel与PPT上下文闭环怎么落地?
核心是把表格、文档、邮件和路演稿统一进同一上下文层,做增量索引与版本追踪。实操上要先定义字段映射、变更触发器和权限边界,再让模型只改受影响片段,避免整份文件重写。
推理成本做到闭源2%靠什么?
通常靠小参数开源模型、量化部署、缓存复用和任务拆分。把高频轻任务交给低成本模型,复杂推理再路由到更强模型,同时压缩上下文长度、复用中间结果,才能把单次调用成本打下来。
