Evoken

1.1 身份、结构与商业模式

本报告应把 Liblib 视为 Evoken 旗下实际运营的 AI 创意平台品牌。Evoken 企业集团在 2026 年 6 月启用现名，此前曾以 Qidian Xingyu / Yanyu Technology 为人所知。硬身份事实包括：总部在北京、运营公司于 2023 年 5 月成立，旗舰产品 LiblibAI 最初是 AI 图像生成与模型分享社区。其商业模式不是通用聊天机器人套壳，而是把创作者社区、模型市场、云端生成、LoRA 训练和付费专业工作流拼在一起。结构之所以关键，是因为后续章节可以围绕一条连贯链路评估市场、产品和估值：社区模型与素材供给生成、视频生产和设计智能体用例。官网仍只能作为公司说法使用，因为它依赖 JavaScript；这里更耐用的身份基础来自第三方新闻、类似登记信息的 Baike 页面，以及 CAC 备案体系。[CO001, CO002, CO003, CO004, CO005, CO006]

1.2 创始人、领导层与治理信号

创始人叙事在投资判断里异常核心。公开叙事反复把陈冕写成产品与商业化型创始人：曾负责 ByteDance 的 Jianying / CapCut 全球商业化，强调速度、PMF 纪律和专业创作者工作流。上述履历契合 LiblibAI 的打法：专业图像和视频创作者付费买的是生产基础设施，而不是尝鲜模型。集中度风险也真实存在。公开材料显示陈冕持股约 73.95%，为控股股东；张子杰出现在早期法定代表人和核心产品社区披露中，杨楠则在 2025 年 11 月成为法定代表人。披露出来的团队履历亮眼但仍停留在高层次：海内外名校，以及 Tencent、Alibaba、ByteDance 背景。董事会构成、保护性条款和 Series B+ 后治理并未公开，因此报告应保留创始人依赖这一判断，而不是推断公司治理已经制度化。[CO007, CO008, CO009, CO010, CO011, CO012]

1.3 融资历程与投资方基础

Evoken 的融资史是全报告最核心的时间线。公司似乎从 2023 年约 US$3.5M、估值约 US$15M 的天使轮起步，2024 年通过多轮融资验证 AI 图像社区，随后在 2025 年初完成数亿元人民币融资。2025 年 10 月的 US$130M Series B 为中国应用层融资树立了公开标尺，也把 HSG / Sequoia China、CMC Capital、Ant、Lenovo Capital、Shunwei、Source Code、Mingshi、Yingce 和 INCE 带入叙事。2026 年 6 月的 Series B+ 是跃迁：融资约 US$300M，投后估值超过 US$2B，由 Granite Asia、Tencent 和 Shunwei 领投，HT Investment、Times Capital、Gaorong、Ant 和 HSG / Sequoia China 也被提及。因此，投资方版图混合了财务 VC、战略科技资本和持续加码的老股东；募集资金用途仍指向研发、全球扩张和产品组合建设。[CO013, CO014, CO015, CO016, CO017, CO018]

1.4 规模、产品组合与负面信号

头部运营指标足以支撑独角兽级别关注，但必须带着限定读。当前标准指标是：LiblibAI 累计用户超过 3000 万，原创模型超过 50 万，每天生成图片超过 500 万张，截至 2026 年 5 月 ARR 超过 US$300M。更早的标记包括约 2500 万用户、400 万 MAU，以及 2024 年收入 RMB 206M；早期指标有助于解释 2026 年 ARR 台阶为何是重大加速，而不是口径上的轻微重述。产品组合现在覆盖 LiblibAI 的社区 / 模型素材、LibTV 的视频生产、Xingliu 的国内设计智能体工作流，以及 Lovart 的海外设计智能体实验。两个尽调负面应该放在第一章，而不是埋到后面：CCTV 在色情生成漏洞曝光中点名 LiblibAI；2025 年报道也称公司尚未盈利。两项风险都能与高速增长并存；两个都不能忽视，且影响重大。[CO022, CO028, CO029, CO030, CO031, CO032]

1.5 图表要点

2.1 市场边界与规模区间

给 Liblib 估值时，不应把每一元娱乐或设计支出都算进去。可投资边界从中国 AIGC 软件和服务开始，即自动化内容创作；随后收窄到创作者或工作室愿意购买的图像生成平台、视频和动画生成器、模型社区以及工作流工具。公开分析师估计差异很大：IMARC 认为 2025 年中国 AIGC 市场为 US$5.16B，并以 15.96% 的 CAGR 增长至 2034 年；来源池使用的 Grand View 较低口径则支持约 US$2.36B 的当前市场锚点。区间判断比单一 TAM 更有用，因为 Liblib 变现的是工作流采用，而不是全部生成式 AI 基础设施；公司还贴近一个更大的内容支出池——微短剧制作。因此，实用的尽调模型应对齐两条路径：自上而下的分析师市场预测，以及自下而上来自工作室、代理商和企业创意部门的预算份额。第一条路径证明中国 AIGC 已经足够大；第二条路径决定 Liblib 能拿到多少预算，而不是被云基础设施、基础模型订阅或内部创意劳动力拿走。[CM001, CM002, CM003, CM004, CM005, CM006]

2.2 微短剧需求是核心 B 端拉力

最清晰的 B 端驱动力来自中国微短剧经济。多方来源认为 2026 年微短剧市场超过 RMB 120B，约合 US$16.5B，并把这种形态描述为手机原生、高产量、靠算法分发的娱乐。AI 的价值在于同时压缩成本和时间：报道提到成本只有真人拍摄的十分之一、传统拍摄的五分之一，制作周期从三个月降到一个月。买方行为因此改变。工作室可以跑更多试播，减少低价值素材外包，把预算转向提示词、模型工作流、可复用角色、本地化和后期制作。Liblib 能拿到的不是整个微短剧市场收入；更准确地说，一个庞大的经常性制作预算现在有理由购买图像、模型和视频工作流能力。区分本身很重要，因为短剧经济奖励的是可重复吞吐，而不是一次性图像质量。有每日剧集流水线的买方看重可复用角色、风格一致性、快速本地化和低摩擦协作，上述诉求更接近工作流软件，而不是 C 端娱乐支出。[CM010, CM011, CM012, CM013, CM014, CM015]

2.3 细分市场、买方与采用路径

采用场景分布在专业创作者、工作室买方、企业营销团队和平台生态之间。终端用户可能是设计师、提示词艺术家、制片人、剪辑师或运营团队，但付款方通常是已经为更快内容产出编预算的工作室、代理商、品牌、游戏公司、电商商家或企业部门。IMARC 的市场分拆确认图像生成平台和视频生成器已是被认可的 AIGC 方案类别；6Wresearch 则显示，中国图像生成受 Baidu、Alibaba、Tencent、ByteDance、SenseTime、Meitu 及其他大型生态影响。因此，Liblib 的市场定位需要两层过滤：一是它能否在巨头模型替代品之外，掌握创作者工作流和素材复用；二是它能否把创作者社区转化为短剧、广告、设计和电商工作流中的付费团队。买方旅程还意味着模型层会多平台并用，但素材层粘性更高：团队可能测试多种图像或视频模型，同时保留那个存放已批准模板、生产历史和社区训练模型的平台。[CM005, CM006, CM007, CM008, CM009, CM023]

2.4 增长驱动、约束与塑造市场的监管

增长逻辑很强，但并不无摩擦。政府 AI+ 政策、企业数字化、自动化内容需求和地方制作补贴都会扩大需求。与此同时，监管不是事后补丁；它决定哪些模型可以上线、生成内容如何标识、哪些微短剧能够分发。CAC 备案记录和 Liblib 自身备案史显示，合规是市场准入前提。负面情形也属于市场层面，而不只是公司层面：廉价生成会把同质化内容灌满平台，引发价格竞争，并降低买方为通用输出付费的意愿。Liblib 的长期机会在于成为工作流和素材市场，既省钱又提高输出质量；风险则是如果买方能在大模型生态之间多平台并用，公司会被推向商品化工具。尽调重点是区分需求创造与价值捕获。AI 内容潮水上涨可以抬高使用量指标，但只有留存、付费转化、合规韧性和差异化工作流，才能证明 Liblib 能拿到可持续利润。[CM029, CM030, CM031, CM032, CM033, CM034]

2.5 图表要点

3.1 版图：直接模型社区、全球替代品与中国平台入局者

Liblib 的竞争集合不是一张简单的图像生成器清单。最接近的直接同行，是能够托管或训练模型、提供 LoRA 式定制，并把创作者留在市场或社区循环里的模型分享与创作社区。本章有来源支撑的包括 Tensor.Art、SeaArt AI、Wujie AI 和 AituBo；6pen 和 PixAI 虽然仍在请求范围中被点名，但保留来源文本没有可验证的当前画像，因此未充分展开。全球替代品从两个方向包围同一任务：Civitai 强调开放模型发现和社区控制，Midjourney 强调专有模型质量和快速输出。中国平台威胁位于两组之上，因为 Baidu、Alibaba、Tencent 和 ByteDance 可以把图像和视频生成打包进电商、游戏、社交和创作者分发场景；Liblib 必须自己赢得使用，而不是继承流量。[CP008, CP009, CP010, CP011, CP012, CP015]

3.2 能力与规模对比

Liblib 的规模指标说明它已经不只是爱好者图像工具：2026 年中报道数据包括累计用户超过 3000 万、原创模型超过 50 万、每天生成图片超过 500 万张，以及 ARR 超过 US$300M。规模本身支撑其专业工作室叙事，但并不形成能力排他性。SeaArt 拥有文本、图像和视频生成、LoRA 训练、换脸、AI 角色、ComfyUI 和超分辨率。Tensor.Art 拥有模型托管、在线训练、ComfyUI 工作流和 API 服务。Wujie 增加了国内版权登记路径；AituBo 则攻击新手和低预算人群。最强结论是，Liblib 的优势在于面向中国的社区、模型和专业需求密度，而不是独有功能清单。简报引用的流量基准在用于定量分析前，需要重新拉取独立流量面板。定价与套餐机制因此重要：即使 Liblib 的本地供给更强，低价对手仍可能赢得探索性使用，并在创作者围绕其界面形成习惯后再向上销售。[CP002, CP003, CP004, CP018, CP020, CP023]

3.3 护城河耐久性、迁移成本与多平台并用

当中文社区、模型供给、工作流经验和专业 B 端需求相互增强时，Liblib 的护城河最强。已经依赖 Liblib 托管模型、LoRA 训练、工作流模板和中文审核 / 合规基础设施的设计师或短剧工作室，比随手试提示词的用户更难迁移。但证据同样支持多平台并用。评论把 Civitai 描述为控制权和模型所有权选项，把 Midjourney 描述为速度与质量选项，也把 SeaArt / Tensor / Wujie / AituBo 描述为重叠的直接工具。上述替代品会削弱 Liblib 对每个用例变现的能力，尤其当团队可以用一个平台探索、用另一个平台打磨输出，并为敏感素材保留本地 Stable Diffusion 流水线。实际尽调问题不是 Liblib 有没有护城河，而是功能快速趋同时，护城河深度是否足以保护抽成率和利润率。因此，在 Liblib 证明独家素材、更优的中文创作者流动性，或竞争对手难以复制的企业工作流数据之前，应把多平台并用视为默认用户行为。[CP014, CP015, CP016, CP018, CP023, CP026]

3.4 负面证据与开放尽调项

负面证据很重要。Skywork 的 SeaArt 评测指出显性内容上的内容安全漏洞，Baidu Baike 也记录了 Liblib 自身一项与 CCTV 有关的内容安全问题。上述事实不能证明 SeaArt 强于 Liblib，但说明争夺开放社区创作的平台都会继承审核、授权和品牌安全负担。Cybernews 从商业风险角度指出 SeaArt 的定价和授权清晰度问题；Recatools 提到 Wujie 复杂的中文工作流；Civitai / Midjourney 对比也显示专业用户理性上可能保留多种工具。开源和第三方模型生态还意味着工作流复制速度会快于社区复制速度。在承销 US$2B+ 估值溢价前，尽调应刷新流量指标，直接测试创作者迁移摩擦，收集企业合同留存数据，并为 6pen 和 PixAI 等来源不足的对手取得当前证据。[CP007, CP019, CP021, CP027, CP035, CP036]

3.5 图表要点

4.1 融资跑道充足，但资本已经成为护城河的一部分

从财务上看，Evoken 已不再是资金不足的 AI 艺术社区，而是资本市场按品类领导者支持的后期应用层公司。本章需要的本地融资事实很清楚：2023 年小额天使轮、2024 年和 2025 年初一组融资、2025 年 10 月 US$130M Series B，以及 2026 年 6 月约 US$300M、投后估值超过 US$2B 的 Series B+。关键承销点不只是时间顺序，而是融资史说明了资本充足性。管理层称 B+ 募资将用于研发、全球扩张、AI 创意产品能力和产品组合建设。在一个算力、模型 API 转售、创作者补贴和买量都可能快速吞掉自生现金的市场里，B+ 资金给 Evoken 提供了短期生存缓冲。股东结构同样重要：Granite Asia、Tencent、Shunwei、HSG、Gaorong、Ant、CMC、Source Code、Mingshi、Yingce、INCE 和 Lenovo 系资本带来少见的广泛战略与财务资源，而陈冕被报道的控股地位则让创始人激励高度集中。[CI001, CI002, CI003, CI004, CI005, CI006]

4.2 ARR 规模突出；确认收入和收入结构披露仍较薄

最强的财务事实，是 2024 年收入到 2026 年 ARR 的台阶变化。Tencent News 报道 2024 全年收入为 RMB 206M，多篇 2026 年报道则称截至 2026 年 5 月 ARR 为 US$300M，且同比增长超过 30 倍，也就是超过 3000%。因此，公开故事的重点不是需求是否存在，而是收入结构有多持久。收入似乎来自四条相互连接的流：C 端创作者订阅与积分、专业创作者算力消耗、B 端 API 或定制化企业服务，以及 LibTV 的生产工作流变现。LibTV 尤其重要，因为它把公司从图像生成兴趣和设计工作流推进到短剧、电影、广告和品牌视频预算。首月单日收入据报超过 US$1M，5 月收入超过上线首月的 13 倍，服务团队近 1000 个，上述指标指向真实付费意愿。但按收入流确认收入、留存、退款、积分沉淀和企业合同条款仍未公开。[CI011, CI012, CI013, CI014, CI015, CI016]

4.3 估值按 ARR 不高，但利润率问题才是支点

按表面数学，Evoken 相对全球 AI 创意同行并不贵：US$2B 估值对应 US$300M ARR，约为 6.7 倍 ARR。6.7 倍低于 Canva 约 10.5 倍至 16 倍 ARR 的参考区间，也低于 Sacra 对 Gamma 约 20.6 倍的例子。Midjourney 据报 US$500M 收入和 US$10B 估值，隐含更高的创意 AI 标尺。折价是合理的，因为 Liblib 尚未证明自己掌握毛利率栈。China Biz Insider 的负面解读很核心：Evoken 不训练自有基础模型，每次生成任务都依赖第三方模型提供商，因此公司经济性是零售价与批发模型 API 或算力成本之间的价差。最好的上行情形，是社区素材、工作流和 B 端生产集成创造足够锁定，让公司拿到量价折扣并守住价差。下行情形则是第一方模型厂商降价、打包工作流，或迫使 Liblib 补贴用量来守份额。[CI026, CI027, CI028, CI029, CI030, CI031]

4.4 财务结论：真实 PMF，贡献利润率未证实

财务结论是建设性但有条件。Liblib 具备罕见的应用层组合：公开 ARR 规模、近期高速增长、多产品扩张和蓝筹投资方财团；如果专业内容预算证据成立，上述信号不是虚荣指标。B+ 融资应覆盖近期产品与全球扩张需求，较低的 ARR 倍数也留下上行空间，前提是 Evoken 证明自己正在成为创作者操作系统，而不是薄薄一层模型转售商。未解决的尽调项也大到足以决定投资判断。买方需要看到按产品拆分的真实毛利、批发模型 API 价格表、云承诺、队列留存、企业收入占比、积分负债、月度烧钱、投后现金和跑道。监管连续性也属于财务章节，因为 CAC 备案状态和内容合规失败会改变可用性、付费转化和企业采购。在上述私有输入得到验证前，本章应把收入质量承销为强，把利润率质量承销为未证实，把融资依赖承销为已有改善但仍具战略重要性。[CI022, CI023, CI024, CI025, CI043, CI044]

4.5 图表要点

5.1 产品组合已从图像社区扩展为创作者操作系统

应把 Evoken 评估为多产品创意工作流公司，而不只是 AI 图像网站。旗舰 LiblibAI 界面仍是核心流量和素材层：公开报道提到累计用户超过 3000 万、原创模型超过 50 万、每天生成图片超过 500 万张。随后，LiblibAI 2.0 通过加入集成式图像和视频生成、头部视频模型、效果模板，以及更广的开放 + 闭源模型菜单，把社区重新定位为专业创作工作室。相邻产品把同一素材基础延伸到新预算：LibTV 面向视频和短剧团队，Xingliu 面向国内设计智能体工作流，Lovart 则把设计智能体命题带到国际市场。因此，产品组合逻辑是顺序推进的：创作者社区产生素材，工作室工作流提高使用频率，智能体 / 视频产品再变现专业生产用例。尽调必须看清产品逻辑，因为只有当工作流界面转化为反复付费任务，而不是由促销算力或暂时便宜的上游模型访问补贴的一次性实验时，产品承诺才可持续。[CE001, CE002, CE003, CE004, CE005, CE006]

5.2 技术中心是围绕 diffusion、LoRA 与 ComfyUI 式图的工作流深度

最强的公开技术证据指向一个围绕成熟 diffusion 模型和工作流编排搭建的应用栈，而不是专有基础模型。在模型层，保留的技术来源覆盖 Stable Diffusion、SDXL、Stable Diffusion 3.5、FLUX.1、ControlNet、image-to-image 和 LoRA。在工作流层，ComfyUI 很关键，因为它把生成过程变成显式节点图：checkpoint 加载、提示词编码、采样、VAE 解码、后处理和自定义节点都可以替换、版本化，并通过 API 提交。上述架构很好地映射到 LiblibAI 作为模型市场和创作工作室的公开定位；创作者可以使用专门的中国风格模型素材，把基础 checkpoint 与 LoRA adapter 组合起来，并封装可重复工作流。证据支持其工作流复杂度，但不能证明公司拥有底层基础模型或差异化推理基础设施。模型所有权和推理基础设施细节决定实际技术杠杆。[CE012, CE014, CE015, CE016, CE018, CE019]

5.3 开发者界面存在，但集成证据弱于产品牵引

开发者信号来源显示，LiblibAI 可以被视为一个可编程生成界面，但公开证据还不等同于成熟企业 API 计划；后者应有透明定价、SLA、SDK 和安全文档。GPTProto 描述的 LiblibAI API 生态暴露 text-to-image、image-to-image、ControlNet、ADetailer、LoRA 训练、ComfyUI online 和复杂节点工作流。Runflow 的 ComfyUI 指南展示了这类后端通常遵循的模式：客户端向 /prompt 提交 workflow JSON，通过 WebSocket 或 history 端点跟踪执行，上传输入，并取回生成文件。需要可重复生产流水线的工作室会受益，但尽调缺口真实存在。公开来源没有展示 Evoken 的 API 速率限制、客户认证模型、数据留存政策、正常运行时间历史或模型供应商透传条款；这些私有控制决定开发者访问是可扩展产品线，还是高级用户便利功能。[CE016, CE017, CE021, CE022, CE023, CE043]

5.4 差异化在本地化工作流密度；风险在第三方模型依赖

建设性的技术论点是，Liblib 已积累本地化中文创作者生态：创作者上传、训练并分享 LoRA 模型和工作流，普通用户无需拥有 GPU 或掌握本地工具，也能复用社区资源。本地化生态可能比单一提示词界面更有防御力，因为社区素材、风格库、工作流模板和生产习惯会制造迁移成本。负面论点同样重要。China Biz Insider 报道称，Evoken 不开发专有基础模型，LibTV 使用第三方模型 API，包括通过 Volcano Engine 接入 Seedance 2.0。如果模型所有者降低直销价格、限制访问，或打包第一方工作流应用，Evoken 的毛利率和差异化可能很快承压。合规也是产品风险：CAC 备案背景和报道中的 CCTV 内容安全事件说明，审核与标识不是事后补丁。承销结论是：公司具备牵引力很强的工作流应用护城河，但需要对模型合同、安全整改、API 控制和按产品线拆分的贡献利润率做私有尽调。[CE013, CE032, CE033, CE034, CE035, CE036]

5.5 图表要点

6.1 客户基础：大众创作者社区向 B 端工作流供给

应把 Liblib 的客户基础承销为双边市场系统，而不是纯 SaaS 账户列表。C 端方面，公开报道称到 2026 年中累计用户超过 3000 万，2025 年末总用户 2500 万、MAU 约 400 万，AI 创作者超过 2000 万，原创模型超过 50 万，每天生成图片超过 500 万张。由此形成庞大的供给侧，包括提示词用户、LoRA 训练者、设计师、插画师、自媒体创作者和专业视觉工作者。B 端方面，已验证的公开证据更窄但有战略意义：Jiemian 称 LiblibAI 向 Kingsoft Office/WPS、Wondershare、G-bits Games、Tmall Campus 和 Tsinghua University 提供专业 AI 图像场景解决方案。因此，最强的分层视角是：C 端创作者提供流动性和数据，专业创作者贡献订阅和积分，B 端工作室或企业贡献 API、定制服务和更高价值工作流支出。[CU001, CU002, CU003, CU004, CU005, CU006]

6.2 具名客户真实存在，但 LibTV 和垂直预算是更强采用信号

具名客户列表重要，因为它满足客户证据标准，但单靠名单本身不能证明经常性生产部署或具体成效。更有说服力的 B 端证据来自游戏、短剧、电影和广告周围的垂直预算。LibTV 据报从上线到首月单日收入超过 US$1M，5 月收入超过首月收入的 13 倍，上线一个月内接入 300 多家短片和电影公司，并服务近 1000 家代理商、制作公司和品牌客户。游戏提供第二个大预算池：miHoYo 的 RMB 100B AI 投入、NetEase 和 Tencent 的 AI 生产流水线，以及中国游戏开发者广泛采用生成式 AI，都支持美术、素材、NPC 和 UGC 工作流正在成为采购优先事项这一判断。上述事实意味着真实需求存在，但合同规模、生产状态和逐个 logo 的成效仍未公开。[CU009, CU010, CU011, CU012, CU013, CU015]

6.3 进入市场：免费增值激活，再转向积分、订阅和企业 / API 支出

可观察的进入市场动作始于低摩擦社区创作，而不是自上而下的企业销售。免费每日生成、创作者激励和模型浏览把用户带进生态；高频使用、优先 GPU 访问、训练和专业功能转化为订阅或积分；API 和定制化企业需求再把 B 端客户推向更高价值合同。因此，同一家公司既能展示创作者社区指标，又能报告 US$300M ARR：创作者基础供给内容、工作流、模型和分发，专业制作方与企业则供给付费意愿。扩张依赖跨产品循环。创作者或工作室可以从 LiblibAI 的图像模型开始，进入 LibTV 的视频工作流，随后购买 API 或定制服务。尽调问题在于，跨产品循环有多少是经常性且可防御的，又有多少由补贴驱动；尤其因为 API 设置摩擦和第三方模型替代品会鼓励多平台并用。[CU019, CU028, CU029, CU030, CU031, CU032]

6.4 耐久性仍未证实：留存、集中度和声誉风险是缺口

客户章节的建设性结论是需求存在；谨慎点在于公开留存证据不存在。保留来源没有披露 NRR、GRR、流失、续约率、合同期限、头部客户占比、企业管线转化或满意度。每日图像生成、创作者激励、模型供给和 LibTV 团队采用，都是有用的重复使用代理指标，但不是队列留存。需求侧风险也不是理论。Tech Times 报道了工业规模的 AI 短剧热潮：每天 470 部 AI 制作剧目、内容过剩、真实劳动者被替代、写作项目取消，以及未经授权使用肖像的担忧。由此出现两条可能的需求路径：更多工作室购买 AI 工具以在产量上竞争，或品牌和机构因为 AI 内容变得声誉敏感而放慢采用。投资尽调应在把 Liblib 客户基础视为持久之前，取得按细分拆分的队列留存、企业收入集中度、合同续约数据、API / 私有化部署条款，以及品牌安全采购异议。实际测试是：免费算力、创作者奖励和上线宣传回归正常后，使用量是否还能存续。没有上述证据，ARR 应被视为强需求证据，但还不是低流失客户耐久性的证明。[CU024, CU025, CU026, CU027, CU037, CU038]

6.5 图表要点

7.1 中国 AIGC 监管体系已是操作系统，不是上线清单

Liblib 的第一层风险是监管连续性。中国现在通过一组工具监管面向公众的生成式 AI，而不是靠单一法规：2023 年 1 月《深度合成规定》、2023 年 8 月《生成式人工智能服务管理暂行办法》、由 CAC 和地方网信办管理的备案与登记名录，以及 2025 年 9 月 AIGC 标识办法和 GB 45438-2025。监管体系直接作用于 Liblib 的图像、视频、LoRA 训练、下载、用户上传和分发工作流。有利事实是，36Kr 报道 Liblib 在 2024 年 2 月通过深度合成算法备案，并在 2024 年 3 月成为首个完成生成式 AI 服务备案的 AI 社区平台。负面承销点在于，备案必要但不充分：标识文件、元数据、用户声明、事件响应、未成年人保护和定期名录可见性，都必须跟上产品向 LibTV、Xingliu、Lovart 和跨境工作流扩张的速度。[CR001, CR002, CR003, CR004, CR005, CR006]

7.2 最大法律尾部风险不是罚款，而是创作者工作流中断

最难承销的风险，是用户生成模型、生成输出和内容审核的组合。CCTV 在 2026 年曝光 LiblibAI 可通过绕过过滤的提示词生成色情或不当内容，该事件与投资判断直接相关，因为中国 AIGC 监管以执法为导向，且越来越以标识为中心。公司据报进行了技术整改，但投资人需要证据证明修复能顶住对抗性提示词，而不只是事后反应。版权风险同样具体到工作流。Ultraman v Acgnai 并未把所有训练行为都判定为违法；杭州法院对输入阶段训练相对宽容，把责任重点放在稳定侵权输出、被推广的 LoRA 模型、平台获利、显著性以及未采取预防措施上。因此，Liblib 的模型分享与 LoRA 市场需要强 IP 审核、投诉通道、模型屏蔽、标识和下架运营。赔偿金额只有 RMB 30,000，但禁令、下架或企业采购封锁会重要得多。[CR012, CR013, CR014, CR015, CR016, CR017]

7.3 聚合器经济性只有在工作流锁定跑赢模型商品化时才可投资

Evoken 的商业风险不是需求：公开来源提到截至 2026 年 5 月用户超过 3000 万、原创模型 50 万个、ARR US$300M。问题是，用户和工作流是否创造了足够的利润率控制。China Biz Insider 的负面框架很核心：Evoken 没有自有专有基础模型，依赖第三方 API、模型供应商和云或算力经济性。由此公司暴露在重新定价、访问质量下降、第一方打包和模型厂商进入工作流层后的直接替代风险之下。Jimeng 价格调整后 LibTV 的增长说明 Evoken 能迅速套利用户痛点，但也让排队时间和 API 成本表成为投资假设变量。尚未盈利状态和大额 B+ 融资意味着资本仍是竞争装置的一部分。核心尽调要求是按模型家族拆分的产品级毛利率，而不只是 ARR，因为模型转售商可以一边扩大收入，一边摧毁贡献利润率。[CR026, CR027, CR029, CR030, CR031, CR032]

7.4 治理尽调应聚焦集中度、控制与可量化触发器

人与治理风险中等但真实。陈冕此前的 CapCut 商业化经验是一项资产，因为公司依赖快速 PMF 判断；但同一证据也让投资命题以创始人为中心。来源包报道的 73.95% 创始人持股，以及后来的法定代表人变更，不应当作不当行为，而应成为尽调提示：董事会构成、保留事项、关联方控制、信息权和继任规划。实际投资流程应把每项重大风险转化为触发器：CAC 或应用商店再次采取行动、AIGC 标识缺陷未解决、再次发生 CCTV 级别审核失败、IP 通知积压未清、针对 LoRA 工作流的禁令、关键模型 API 丢失或重新定价，或规模化后产品级毛利率仍呈结构性为负的证据。只有当合规、IP 运营和模型采购纪律像产品发布一样可重复时，Liblib 才有吸引力。证据还留下多个量化问题：当前合规人员配置、通知量、红队失败率和 API 提供商集中度均未公开，因此每项都应成为交割前成果，而不是投后改进计划。[CR038, CR039, CR040, CR041, CR043, CR044]

7.5 图表要点

8.1 头部估值：融资规模大，但 ARR 倍数不高

按公开 ARR 证据归一化后，Evoken 2026 年 6 月融资看起来金额很大，但并不明显虚高。多篇独立报道共同指向约 US$300M 的 Series B+ 融资、超过 US$2B 的投后估值，以及 2026 年 5 月约 US$300M 的 ARR。头部轮次因此约为 6.7 倍 ARR，尚未调整账上现金或未公开的优先股条款。一家成立两年的 AI 应用集团，拥有 3000 万+ 用户、50 万原创模型，以及据报支撑收入的专业内容预算，价格反而相当克制。因此，承销问题不是投资人是否支付了典型 AI 泡沫倍数；而是报告中的 ARR 在扣除第三方模型和算力成本后，是否具备经常性、留存和正毛利。估值框架也让公司更容易与传统 SaaS 比较：如果把 >US$2B 视作企业价值下限，那么除非真实投后估值远高于披露，否则 US$2B 以上每多一美元，只会温和推高倍数。[CV001, CV002, CV003, CV004, CV005, CV008]

8.2 基准让 6.7 倍显得便宜，但不是每一美元 AI 收入都该享受溢价

外部基准支持公允偏建设性的估值立场。2026 年 SaaS 来源显示，公共云平均倍数接近中个位数，传统 SaaS 约为 4 倍至 7 倍 ARR，更高增长的 AI-native 或垂直 AI 软件则高得多。在上述背景下，Liblib 的 6.7 倍 ARR 倍数低于 AI-native 头部四分位，更接近重置时代的公开 SaaS。创意 AI 可比公司进一步凸显估值折价：Canva 的 US$4B ARR 支撑 US$42B 至 US$65B 估值区间，Midjourney 看起来接近 20 倍收入倍数，Sacra 的 Gamma 数据点也高于 20 倍 ARR。折价是合逻辑的，不是惩罚性折价。Liblib 增长罕见，但公开证据尚未证明专有模型经济性、企业留存，或足以比肩最佳全球 AI 创意平台的持久工作流护城河。[CV015, CV016, CV017, CV018, CV019, CV020]

8.3 情景分析：如果工作流锁定抵消聚合器风险，估值就能成立

情景视角指向一个有条件的“合理”价格。悲观情形假设 ARR 停在已披露的 US$300 million 附近，零售端用量仍对补贴敏感，第一方模型厂商压缩转售价差；按 4x ARR，对应估值约 US$1.2 billion。基准情形假设前瞻 ARR 升至约 US$420 million，但投资者只给 5x 倍数，因为毛利率、NRR 和 API 成本转嫁仍未披露；估值落在约 US$2.1 billion，能支撑本轮。乐观情形需要证明 LibTV、LiblibAI、Xingliu 和 Lovart 正在变成带工作流锁定的创作者操作系统；如果前瞻 ARR 达到 US$500 million、市场给 8x，公司可支撑约 US$4 billion。只有私下尽调验证收入质量，这种不对称才有吸引力。[CV028, CV029, CV030, CV031, CV032, CV033]

8.4 最终判断：合理，但需扣除中国 AI 泡沫与合规折价

中国 2026 年独角兽语境既提供支撑，也提醒谨慎。Nation Press 报道，2026 年上半年中国新增 67 家独角兽；胡润全球指数也显示，AI 是私人市场价值创造的主引擎。Liblib 因而不是孤立的融资异常，而是处在资本向 AI 应用、机器人、基础设施和工作流自动化大规模再配置的潮流中。同样重要的是反向参照：China Biz Insider 对具身 AI 的现实校验警告，许多现金跑道很短的 AI 独角兽可能在 2027–2028 年面临整合、估值下调融资或失败。Liblib 已披露 ARR，并拥有蓝筹投资财团，位置好于许多概念阶段同行；但监管 / 内容安全敞口、公开毛利率指标缺失，都应在估值中明确打折。基于公开记录，超过 US$2 billion 的估值说得通，但它只是一个合理、对证据敏感的入场价，不是明显便宜。因此，投委会的正确姿态不是把本轮简单否定为 AI 狂热，而是要求证明收入质量强过折价所暗示的水平：经审计的 ARR 桥接、客户队列、贡献毛利和合规控制，才会把立场从合理推向有吸引力。[CV036, CV037, CV038, CV039, CV040, CV041]

8.5 附录图表