北京澜舟科技有限公司 // Langboat · 澜舟科技 访问官网 ↗
  • 孟子大模型
  • 认知智能 To B
  • 周明团队
  • 轻量化路线
  • 一横 N 纵
  • 已备案

澜舟科技：把大模型做成企业能用的「数字员工」

大模型热了两年，很多企业却卡在同一个问题：通用模型很聪明，但接不进自己的业务流程、数据出不了域、算账不划算。澜舟科技走的是另一条路——以自研孟子大模型为底座，把能力拆成可私有化部署的金融、编程、文档、会议等垂直场景，让模型真正在客户的服务器里干活。

一句话定义它：澜舟科技（Langboat）是一家成立于 2021 年 6 月、孵化于创新工场的认知智能公司[1]，以全栈自研的孟子（Mengzi）大模型为核心，面向金融、编程、政务等行业提供大模型与智能体产品，核心差异在于「轻量化、To B 优先、可私有化部署」的技术路线[2]。公司创始人与 CEO 为前微软亚洲研究院副院长、自然语言处理领域权威周明博士[3]。

先看清几个硬指标

判断一家大模型公司靠不靠谱，先看它有没有真实落地、有没有合规背书、有没有持续融资能力。下面这组数字，是澜舟科技对外公开资料里最常被引用的几个关键事实。

2021成立年份（6 月，孵化于创新工场）
13B孟子 3 开源底座参数量（3T tokens 训练）
近亿元 Pre-A 轮融资（2022 年 2 月）
1B孟子初代即以十亿参数登顶 CLUE
已备案孟子 GPT 通过生成式 AI 服务备案
2023入选达沃斯世界经济论坛技术先锋

这些指标放在一起，勾勒出澜舟科技的独特位置：它既不是追通用底座规模的「军备竞赛派」，也不是只做单点工具的「套壳派」，而是把赌注压在垂直行业 + 私有化部署 + 可控成本上的务实派。理解这一点，才能看懂它后面所有的产品取舍。

孟子大模型：小模型，大智慧的来龙去脉

澜舟科技的技术故事，是从 2021 年一个「四两拨千斤」的榜单事件开始的。当年，腾讯、搜狗、华为、阿里达摩院轮番用百亿、千亿参数霸榜中文语言理解评测 CLUE，格局几乎被巨头垄断。澜舟科技联合创新工场、上海交通大学、北京理工大学推出的孟子轻量化模型，仅以十亿（1B）参数就登顶 CLUE 总榜、分类榜与阅读理解榜，总榜分数突破 84 分，逼近人类基准 85.61 分[4]。

这件事的意义不只是「拿了第一」。它证明了一条和当时主流 Scaling Law（堆参数）相反的路径：在同等效果下，用更小的模型、更高质量的语料、知识图谱增强训练，可以大幅降低推理与部署成本。这条「轻量化」路线后来成了澜舟科技的产品基因。2022 年 8 月，孟子多任务模型（0.22B）又在 ZeroCLUE 与 FewCLUE 权威榜单登顶，并开源提供 SDK，一个模型即可完成多种任务、无需大量标注数据[5]。

演进到第三代，2024 年 3 月澜舟科技开源 Mengzi3-13B，基于 Llama 架构、用高达 3T tokens 的 Mengzi-3 数据集（网页、代码、书籍、论文等高质量来源）训练，在 MMLU、GSM8K、HumanEval 等基准上表现跻身 20B 以内轻量化模型前列，面向学术研究开放并支持免费商用[6]。媒体解读其开源选择 13B 的逻辑是：To B 场景使用频率最高的参数量集中在 7B–100B，13B 既能解决约八成问题，又最具性价比[7]。

六块核心能力（序号清单）

围绕孟子大模型，澜舟科技形成了对外交付的六块能力。它们既能单独采购，也能串成「一横 N 纵」体系：「一横」是模型层（孟子系列），「N 纵」是面向行业的垂直应用产品。

  1. 孟子大模型底座：覆盖标准版、轻量版、金融版、编码版，对外提供孟子 GPT 通用对话与生成能力，并支持企业私有化微调，是后续所有应用的技术地基。
  2. AI 文档理解：提供专业 PDF 解析与信息抽取能力，把合同、研报、票据、规章等非结构化文档转成结构化数据，为 RAG（检索增强生成）方案打底。
  3. AI 文档问答与知识库：支持企业上传多份内部文档构建私有化知识库，员工用自然语言提问即可获得带出处的答案，数据不出企业域。
  4. AI 文档辅助写作：支持上传多个文档作参考、自定义多级题目与提纲，由大模型按规范自动生成完整文章初稿，适合研报、尽调、公文等长文场景。
  5. 机器翻译平台：专注以中文为中心的主要语种互译，覆盖二十余个专业领域，已在翻译行业落地赋能企业国际语言竞争力。
  6. LangClaw 企业智能体 OS：自研的企业智能体操作系统，主打快速生成专属「数字员工」、多智能体协同、云端 7×24 运行，并可接入飞书、钉钉等办公平台。

分色场景：澜舟把模型用在了哪

澜舟科技明确表示以服务 To B 场景为主、To C 为辅，目前重点投入金融与辅助编程两大领域。下面四个颜色区块，对应它对外披露最清晰的四类落地场景。

金融 · 智能客服与信贷

面向银行、保险、证券，孟子数智员工能准确理解金融术语与业务流程，自动完成身份核验、产品推荐、业务引导；在信贷审核、保险理赔等高频场景做专项优化，客户问题解决率据合作披露提升约 30%。

编程 · 辅助编码

孟子大模型-编码版面向研发团队，提供代码补全、单测生成、注释与文档生成等能力；以 13B 量级兼顾本地部署的算力门槛，适合对代码不出域有强要求的科技与金融机构。

政务 · 咨询与公文

面向政务大厅与委办局，构建政策知识库驱动的智能咨询与公文辅助写作，意图识别与多轮对话连贯性经过行业语料专项优化，可私有化部署满足等保与信创要求。

文档 · 会议与知识中台

澜舟智会（智能会议）、澜舟智库（知识管理中台）、澜舟智搭等产品，把文档解析、会议转写、知识沉淀串成企业知识闭环，减少员工在多个系统间搬运信息的损耗。

以上场景能力的「行业适配」建立在澜舟在金融、政务积累的行业语料与知识图谱之上；具体功能边界、可接入系统清单与交付形式，以官方最新产品文档与商务方案为准。企业选型时应先用自身真实数据做小范围 PoC，再决定是否全量私有化。

和通用大模型、传统 NLP 方案怎么选

很多人会问：我直接用通用大模型 API 不行吗，为什么还要看澜舟这种垂直厂商？下面这张对比表，把三类方案的取舍摊开说。

维度澜舟科技（孟子 + 智能体）通用大模型（如 GPT / 文心 / 通义）传统 NLP 方案（规则 / 小模型）
定位行业垂直、To B 优先通用能力、广覆盖单点任务、强规则
部署方式支持私有化 / 一体机，数据不出域多为公有云 API，数据出域需评估本地部署但扩展差
行业语料金融、政务等专项语料与知识图谱通用语料，行业需自行微调依赖人工规则，泛化弱
成本模型轻量化路线，7B–100B 区间控本参数量大，调用与微调成本高初期便宜，维护人力贵
智能体能力LangClaw 多智能体协同、接飞书钉钉需自行编排工具链基本无
合规备案孟子 GPT 已通过生成式 AI 服务备案各家均有备案不涉及生成式备案
最适合金融 / 政务 / 制造等强合规行业通用内容、研发提效、C 端产品流程固定、语料封闭的旧系统

一句话结论：如果你的场景强合规、数据不能出域、又想要智能体自动跑流程，澜舟这类垂直厂商的私有化方案往往比直接调通用 API 更省心；如果是普通内容生成、研发提效，通用大模型更顺手。两者并非替代关系，很多客户是「通用模型做前台创意、澜舟做后台合规业务」的组合。

一条典型落地工作流

以金融机构部署「孟子数智员工」为例，一个可复用的接入流程大致是这样。它强调先小后大，避免一上来全量替换带来的风险。

  1. 场景盘点：先梳理高频、规则清晰、文档量大的环节（如信贷初审、客服问答、研报摘要），挑 1–2 个做试点，而不是全面铺开。
  2. 知识入库：把制度文件、产品手册、历史工单、合同模板等导入澜舟智库，构建带权限的私有化知识库，明确数据边界。
  3. 模型微调与评测：在孟子底座上用行业语料做轻量微调，并用真实样本评测准确率、幻觉率与合规红线，达不到阈值不上线。
  4. 智能体编排：用 LangClaw 把文档理解、问答、写作串成多智能体流水线，接入飞书 / 钉钉，让数字员工在原有办公入口里被调用。
  5. 灰度与监控：先小范围灰度，监控回答出处、拒答率与人工接管率，沉淀反馈持续迭代，再逐步扩到全量业务。

公司底子：团队、融资与背书

澜舟科技的「牌面」很大程度来自创始团队。周明博士是世界顶级 NLP 科学家、ACL Fellow，曾任国际计算语言学会（ACL）主席、微软亚洲研究院副院长，谷歌学术引用逾四万次、H-index 过百；离开工作 21 年的微软后于创新工场支持下孵化澜舟[3]。核心成员多来自北大、哈工大、北交大及微软、阿里云等。

资本层面，公司成立一年内即完成种子、天使、Pre-A 三轮融资；2022 年 2 月完成由联想创投、斯道资本共同领投，创新工场跟投的近亿元人民币 Pre-A 轮，资金主要用于 NLP 核心产品与前瞻研究[2]。荣誉上，澜舟获 2021 年 HICOOL 全球创业大赛一等奖暨人工智能 / 金融赛道第一名，2023 年入选达沃斯世界经济论坛「技术先锋」（Technology Pioneers），并被多家媒体列为中国最具潜力的通用人工智能公司之一。合规上，孟子 GPT 已通过国家互联网信息办公室的生成式人工智能服务备案。

孵化背景：创新工场，Sinovation Ventures 体系内生长。
客户标杆：公开披露服务中国银行、中国人寿、国家电网及与华为云、同花顺等达成合作。
资质：高新技术企业、专精特新、创新型中小企业等多项认定。
开源社区：孟子开源社区曾入选《科创中国开源创新 50 强》。

常见问答

澜舟科技和通用大模型公司最大的区别是什么？

核心差异在定位与部署：澜舟以行业垂直、To B 优先、轻量化、可私有化部署为路线，强调数据不出域与可控成本；通用大模型覆盖面广、以公有云 API 为主。两者适合不同场景，常互补使用。

孟子大模型是澜舟自己研发的吗，有没有开源？

是。孟子为澜舟全栈自研系列，初代即以十亿参数登顶 CLUE；后续孟子多任务模型、Mengzi3-13B 等均开源并提供 SDK / 权重，13B 版本基于 Llama 架构、3T tokens 训练，面向学术开放并支持免费商用。

金融行业最关心的数据安全怎么解决？

澜舟提供完整的私有化部署与模型量化 / 知识蒸馏压缩方案，可将大模型部署至企业本地服务器，实现数据不出域，满足金融、政务等行业的信创与等保合规要求；具体方案以官方交付为准。

LangClaw 企业智能体 OS 是什么，普通人用得上吗？

LangClaw 是澜舟自研的企业智能体操作系统，主打快速生成专属数字员工、多智能体协同、云端 7×24 运行并接入飞书 / 钉钉，主要面向企业客户而非个人消费者，定位是让 AI 真正跑在客户的业务流程里。

澜舟科技融到多少钱，靠不靠谱？

公开披露成立一年内完成三轮融资，2022 年 2 月近亿元 Pre-A 轮由联想创投、斯道资本领投、创新工场跟投；同时具备高新技术企业认定、生成式 AI 服务备案与达沃斯技术先锋等背书。投资与经营细节以工商与官方披露为准。

中小企业预算有限，适合上澜舟吗？

若场景强合规、数据敏感（如区域银行、政务外包、制造企业知识库），私有化部署的长期成本往往低于反复调用大参数公有云；若只是普通文案生成，通用模型更轻。建议先用免费开源权重做技术验证，再决定商务方案。

参考资料

  1. 来源：澜舟科技官方网站 — 关于我们（公司主体、成立时间、一横 N 纵产品体系）：https://www.langboat.com/about
  2. 来源：澜舟科技官方新闻 — 近亿元 Pre-A 轮融资公告（联想创投、斯道资本领投，创新工场跟投）：https://www.langboat.com/en/about/news/2022021001
  3. 来源：澜舟科技官方简历 — 创始人兼 CEO 周明博士简介（前微软亚洲研究院副院长、ACL Fellow）：https://www.langboat.com/zh/about/resume
  4. 来源：澜舟科技官方博客 — 孟子轻量化模型以十亿参数登顶 CLUE 榜单：https://www.langboat.com/news/post/2021071301
  5. 来源：澜舟科技官方博客 — 孟子多任务模型登顶 ZeroCLUE / FewCLUE 并开源提供 SDK：https://www.langboat.com/news/post/2022082201
  6. 来源：搜狐 / 上海证券报 — 澜舟科技开源孟子 3-13B 大模型、支持免费商用：https://www.sohu.com/a/768320462_120988576
  7. 来源：量子位 QbitAI — 澜舟坚持四两拨千斤，To B 场景 10B–100B 参数足矣与一横 N 纵体系：https://www.qbitai.com/129269/
  8. 来源：腾讯云开发者社区（量子位报道镜像）— 周明团队轻量「孟子模型」开源、CLUE 榜单表现：https://cloud.tencent.com.cn/developer/article/1892053

青衣网络 AI 观察团队 · 最后更新 2026-08-25　|　本文基于澜舟科技官方公开信息及主流科技媒体公开报道整理，仅用于帮助用户了解产品定位、技术路线与能力边界；融资、产品、备案与价格等信息随时可能调整，实际选型与商务合作请以官方最新公告与合同为准。