北京商报讯（记者 魏蔚）7月17日-7月20日，2026 世界人工智能大会暨人工智能全球治理高级别会议在上海举行。在上海世博展览馆H1展区，一座“声音巴别塔”位于模思智能展台中央。参观者可以说出不同国家的语言或不同地区的方言，系统识别其中的语言、口音和表达特征后，会点亮塔上的一个个节点。

模思智能联合创始人、CEO李世民向北京商报记者解释，这是模思智能用直观的方式展示，AI对语言、口音和表达习惯的差异化理解。支撑这一装置的，是 MOSS-Transcribe 与 MOSS-Audio 对复杂声音的识别和理解能力。模型不仅要听清说了什么，也要尽可能理解语气、情绪、节奏和上下文。在跨语言沟通、全球客服等场景中，这些非文字信息往往会直接影响意图判断。

7月，模思智能与 OpenMOSS 团队连续发布多项模型和产品，先开源多说话人长音频转写模型 MOSS-Transcribe-Diarize-0.9B，后开放一站式 AIGC 创作平台 Mossland 与模思开放平台 MOSS API 公测，再开源实时视觉理解模型 MOSS-VL-Realtime。

在李世民看来，当模型进入真实世界，关键不只是识别声音和画面，而是理解这些信息在什么情境中发生，并据此判断何时回应、如何回应。这正是模思智能对“情境智能”的回答。