Liblib

1.1 身份、结构与商业模式

本报告应把 Liblib 视为 Evoken 内部实际运营的 AI 创意平台品牌。Evoken 这家公司集团在 2026 年 6 月更名前，曾使用 Qidian Xingyu / Yanyu Technology 等名称。硬身份事实包括：总部在北京，运营公司成立于 2023 年 5 月，旗舰产品 LiblibAI 最初是 AI 图像生成与模型分享社区。它的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组合在一起。这个结构很关键，因为后续章节可以沿着一条连贯链条评估市场、产品和估值：社区模型和资产输入生成、视频制作和设计 Agent 用例。官方网站只适合作为公司主张使用，因为页面完全依赖 JavaScript；因此，这里的稳定身份基础依赖第三方新闻、类似登记资料的 Baike 页面，以及 CAC 备案生态。[CO001, CO002, CO003, CO004, CO005, CO006]

1.2 创始人、领导层与治理信号

创始人故事对投资判断异常关键。公开叙事反复把陈冕塑造成产品和商业化型创始人：他曾负责 ByteDance 的 Jianying / CapCut 全球商业化，外界围绕他的叙事集中在速度、PMF 纪律和专业创作者工作流。这个背景契合 LiblibAI 的推进路径：专业图像和视频创作者付费购买的是生产基础设施，而不只是试用一个新奇模型。集中度风险同样真实。公开材料显示陈冕持股约 73.95%，处于控股位置；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。披露的团队底子亮眼，但仍停留在高层概括：成员来自中国及海外顶尖高校，也有 Tencent、Alibaba 和 ByteDance 背景。董事会构成、保护性条款和 Series B+ 后治理安排并未公开，因此本报告应保留创始人依赖这个判断，而不是推断公司已经形成制度化治理。[CO007, CO008, CO009, CO010, CO011, CO012]

1.3 融资时间线与投资方基础

Liblib / Evoken 的融资史是全篇报告的核心记录时间线。公司似乎从 2023 年约 US$15 million 估值下的 US$3.5 million 天使轮起步，经过 2024 年多轮融资验证 AI 图像社区，再到 2025 年初完成数亿元人民币融资。2025 年 10 月 US$130 million Series B 让它成为中国应用层融资的公开标杆，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 Series B+ 是跃迁点：投后估值超过 US$2 billion，融资约 US$300 million，由 Granite Asia、Tencent 和 Shunwei 领投，HT Investment、Times Capital、Gaorong、Ant、HSG / Sequoia China 也被引用为参投方。因此，投资方图谱混合了财务 VC、战略科技资本和连续跟投的老股东；公司披露的资金用途仍集中在研发、全球扩张和产品组合扩建。[CO013, CO014, CO015, CO016, CO017, CO018]

1.4 规模、产品组合与负面信号

头部运营指标足以让公司获得独角兽级关注，但必须带着保留来读。当前主口径指标包括：LiblibAI 累计用户超过 30 million，原创模型超过 500,000 个，每日生成图像超过 5 million 张，截至 2026 年 5 月 ARR 超过 US$300 million。更早的标记包括约 25 million 用户、4 million MAU，以及 2024 年收入 RMB 206 million；这些数据有助于解释为什么 2026 年 ARR 跃升是重大加速，而不是轻微重述。产品组合如今覆盖 LiblibAI（社区 / 模型资产）、LibTV（视频制作）、Xingliu（国内设计 Agent 工作流）和 Lovart（海外设计 Agent 实验）。两个负面尽调点应放在第 1 章，而不是埋到后面：CCTV 在色情生成漏洞曝光中点名 LiblibAI；2025 年报道还称公司尚未盈利。两项风险都能与高速增长并存；也都具有实质影响，不能忽视。[CO022, CO028, CO029, CO030, CO031, CO032]

1.5 图表

2.1 市场边界与规模区间

不能拿娱乐或设计支出的每一块钱给 Liblib 定价。可投资边界从中国 AIGC 软件和服务开始：这些产品自动化内容创作；随后再收窄到图像生成平台、视频和动画生成器、模型社区，以及创作者或工作室愿意购买的工作流工具。公开分析师估算跨度很大：IMARC 认为 2025 年中国 AIGC 市场为 US$5.16 billion，到 2034 年 CAGR 为 15.96%；本来源池采用的 Grand View 较低口径，则支持约 US$2.36 billion 的当前市场锚。这个区间比单一 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；同时，公司还紧邻短剧制作中更大的内容支出池。务实的尽调模型应调和两条路径：自上而下的分析师市场预测，以及来自工作室、代理商和企业创意部门的钱包份额自下而上测算。第一条路径证明中国 AIGC 已经足够大；第二条路径决定有多少预算可由 Liblib 触达，而不是被云基础设施、基础模型订阅或内部创意人力拿走。[CM001, CM002, CM003, CM004, CM005, CM006]

2.2 短剧需求是核心 B 端拉力

最清晰的 B 端驱动来自中国短剧经济。多方来源把 2026 年短剧市场放在 RMB120 billion 以上，约 US$16.5 billion，并把这种形式描述为手机原生、高产量、算法分发的娱乐内容。AI 重要，是因为它同时压缩成本和时间：报道提到真人实拍成本的十分之一、传统拍摄成本的五分之一，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，外包更少低价值资产，并把预算转向提示词、模型工作流、可复用角色、本地化和后期制作。对 Liblib 来说，这不意味着整个短剧市场都会变成收入；真正含义是，一个庞大且经常重复的制作预算，现在有理由购买图像、模型和视频工作流产能。这个区别很重要，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。拥有日更剧集流水线的买方更看重可复用角色、一致风格、快速本地化和低摩擦协作；这些需求更接近工作流软件，而不是消费娱乐支出。[CM010, CM011, CM012, CM013, CM014, CM015]

2.3 细分市场、买方与采用路径

采用路径分布在专业创作者、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，但付款方通常是工作室、代理商、品牌、游戏公司、电商商家或企业部门；这些买方本就为更快的内容产出编列预算。IMARC 的市场细分确认图像生成平台和视频生成器是被识别的 AIGC 解决方案类别；6Wresearch 则显示，中国图像生成市场由 Baidu、Alibaba、Tencent、ByteDance、SenseTime、Meitu 等大型生态塑造。因此，Liblib 的市场定位需要两层过滤：它能否在巨头模型替代品之外占住创作者工作流和资产复用；它又能否把创作者社区转化为短剧、广告、设计和电商工作流里的付费团队。买方旅程还意味着模型层多栖，但资产层粘性更高：团队可能测试多个图像或视频模型，同时留在那个保存已批准模板、生产历史和社区训练模型的平台上。[CM005, CM006, CM007, CM008, CM009, CM023]

2.4 增长驱动、约束与塑造市场的监管

增长叙事很强，但并非没有摩擦。政府 AI+ 政策、企业数字化、自动化内容需求和本地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，以及哪些短剧可以分发。CAC 备案记录和 Liblib 自身备案历史表明，合规是市场准入前提。负面情景也发生在市场层面，而不只是公司层面：廉价生成可能把平台灌满同质内容，引发价格竞争，并降低买方为通用产出付费的意愿。对 Liblib 来说，持久机会在于成为一个既省钱又提高产出质量的工作流和资产市场；风险则是，如果买方能在大型模型生态之间多栖，公司会被挤压成商品化工具。尽调重点是区分需求创造和价值捕获。AI 内容的涨潮可以抬高使用指标，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 是否能捕获持久利润率。[CM029, CM030, CM031, CM032, CM033, CM034]

2.5 图表

3.1 格局：直接模型社区、全球替代品与中国平台入局者

Liblib 的竞争集合不是一串简单的图像生成器名单。最接近的直接同业是模型分享和创作社区：它们能托管或训练模型，开放 LoRA 式定制，并把创作者留在市场或社区循环里。本章对 Tensor.Art、SeaArt AI、Wujie AI 和 AituBo 有来源支撑；6pen 和 PixAI 仍保留在用户要求覆盖的范围内，但因留存来源文本没有可验证的当前画像，无法完整分析。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产出。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 必须主动赢得使用，而不是继承使用。[CP008, CP009, CP010, CP011, CP012, CP015]

3.2 能力与规模对比

Liblib 的规模指标让它不只是业余图像工具：2026 年中披露数字包括累计用户超过 30 million、原创模型超过 500,000 个、每日图像超过 5 million 张，ARR 超过 US$300 million。这个规模支撑了专业工作室叙事，但不带来能力排他性。SeaArt 具备文本、图像和视频生成、LoRA 训练、换脸、AI 角色、ComfyUI 和放大能力。Tensor.Art 具备模型托管、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 则攻击初学者和低预算人群。最强结论是：Liblib 的优势是中国本地社区、模型和专业需求密度，而不是掌握独有功能清单。简报引用的流量基准在量化使用前，需要一次新的独立流量面板抓取。这也是为什么定价和套餐机制重要：即便 Liblib 拥有更强本地供给，低价竞争者也能赢得探索性使用，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、切换成本与多栖

当中文社区、模型供给、工作流经验和专业 B 端需求相互强化时，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，切换成本高于随手试提示词的用户。但证据同样支持多栖判断。评论把 Civitai 描述为掌控与模型所有权选项，把 Midjourney 描述为速度和质量选项，把 SeaArt / Tensor / Wujie / AituBo 描述为重叠的直接工具。这些替代品会削弱 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，用另一个平台产出精修结果，并把本地 Stable Diffusion 流水线留给敏感资产时。务实的尽调问题不是 Liblib 有没有护城河，而是护城河在功能快速趋同时，是否足够深到保护抽成率和利润率。因此，在 Liblib 证明独家资产、更强的中国创作者流动性，或竞争者难以复制的企业工作流数据之前，多栖应被视为默认用户行为。[CP014, CP015, CP016, CP018, CP023, CP026]

3.4 负面证据与未决尽调项

负面证据具有实质性。Skywork 对 SeaArt 的评测指出其在露骨内容上的内容安全漏洞；Baidu Baike 则记录了 Liblib 自身另一起与 CCTV 有关的内容安全问题。这些事实不能证明 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 指出 Wujie 工作流密集且仅中文；Civitai / Midjourney 对比则表明，专业用户理性上可能同时保留多种工具。开源和第三方模型生态还意味着，工作流被复制的速度可能快于社区被复制的速度。在承销 US$2 billion+ 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、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

4.1 融资跑道充足，但资本已成为护城河的一部分

从财务上看，Liblib / Evoken 已不再是缺钱的 AI 艺术社区，而是一家按品类领导者融资的后期应用层公司。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 年初的一组融资，2025 年 10 月 US$130 million Series B，以及 2026 年 6 月约 US$300 million、投后估值超过 US$2 billion 的 Series B+。重要的承销点不只是时间线，而是它说明了资本充足度。管理层称 B+ 资金将用于研发、全球扩张、AI 创意产品能力和产品组合扩建。这给 Evoken 提供了短期生存缓冲；在这个市场里，算力、模型 API 转售、创作者补贴和付费流量可能很快吞掉自生现金。股权结构同样重要：Granite Asia、Tencent、Shunwei、HSG、Gaorong、Ant、CMC、Source Code、Mingshi、Yingce、INCE 以及 Lenovo 相关资本，带来异常广泛的战略和财务资源；陈冕据称仍持有控股权，也让创始人激励高度集中。[CI001, CI002, CI003, CI004, CI005, CI006]

4.2 ARR 规模异常突出；确认收入和收入结构披露仍偏薄

最强的财务事实，是 2024 年收入到 2026 年 ARR 的跃迁。Tencent News 报道 2024 年全年收入为 RMB206 million；多篇 2026 年报道则称，截至 2026 年 5 月 ARR 为 US$300 million，且同比增长超过 30 倍，或超过 3,000%。因此，公开叙事的重点已经不再是需求是否存在，而是收入组合有多持久。收入似乎来自四条相互连接的流：C 端创作者订阅和积分、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爱好和设计工作流，推入短剧、电影、广告和品牌视频预算。首月单日收入据称超过 US$1 million，5 月收入超过上线首月 13 倍，服务团队接近 1,000 个，这些都说明付费意愿真实。但按收入流的确认口径、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 ARR 倍数不高，但利润率问题才是支点

按头部数字计算，相比全球 AI 创意同业，Evoken 并不显贵：US$2 billion 估值对应 US$300 million ARR，约为 6.7 倍 ARR。这个倍数低于 Canva 约 10.5 倍至 16 倍 ARR 的参考区间，也低于 Sacra 对 Gamma 约 20.6 倍的样本。Midjourney 据称 US$500 million 收入和 US$10 billion 估值，则隐含更高的创意 AI 标杆。这个折价是理性的，因为 Liblib 尚未证明自己掌握毛利结构。China Biz Insider 的负面解读处于核心位置：Evoken 不训练自有基础模型，每一次生成任务都依赖第三方模型提供商，因此公司的经济模型是零售定价与批发模型 API 或算力成本之间的价差。最好的上行情景是，社区资产、工作流和 B 端生产集成创造足够锁定，让公司谈下批量折扣并守住价差。下行情景则是，一方模型厂商降价、打包工作流，或迫使 Liblib 补贴使用以防守份额。[CI026, CI027, CI028, CI029, CI030, CI031]

4.4 财务结论：真实 PMF，未验证的贡献利润率

财务结论偏建设性，但有条件。Liblib 罕见地同时拥有公开 ARR 规模、近期增长、多产品扩张和蓝筹投资方联盟；如果专业内容预算证据成立，这些就不是虚荣信号。B+ 轮应覆盖短期产品和全球扩张需求；相对较低的 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，而不是薄利模型转售商。未决尽调项也足以决定投资判断。买方需要获得按产品划分的实际毛利、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。在这些私有输入被验证前，本章应把收入质量承销为强，把利润率质量承销为未验证，把融资依赖承销为已改善但仍具战略重要性。[CI022, CI023, CI024, CI025, CI043, CI044]

4.5 图表

5.1 产品组合已从图像社区扩展为创作者操作系统

应把 Liblib / Evoken 评估为一家多产品创意工作流公司，而不只是一个 AI 图像网站。旗舰产品 LiblibAI 界面仍是核心流量和资产层：公开报道提到累计用户超过 30 million，原创模型超过 500,000 个，每日生成图像超过 5 million 张。LiblibAI 2.0 随后通过加入集成式图像和视频生成、头部视频模型、特效模板，以及更广泛的开放 + 闭源模型菜单，把这个社区重塑为专业创作工作室。相邻产品把同一资产底座延伸到新预算：LibTV 面向视频和短剧团队，Xingliu 面向国内设计 Agent 工作流，Lovart 则把设计 Agent 论点带到国际市场。因此，产品组合逻辑是顺序展开的：创作者社区创造资产，工作室工作流提高频次，Agent / 视频产品变现专业制作场景。这个逻辑对尽调很重要，因为只有这些工作流界面转化为反复付费任务，而不是被促销算力或暂时便宜的上游模型接入补贴的一次性实验，产品承诺才持久。[CE001, CE002, CE003, CE004, CE005, CE006]

5.2 技术中心是围绕扩散、LoRA 和 ComfyUI 式图构建的工作流深度

最强的公开技术证据显示，Liblib 的应用栈围绕成熟扩散模型和工作流编排组装，而不是围绕自有基础模型。在模型层，留存技术来源覆盖 Stable Diffusion、SDXL、Stable Diffusion 3.5、FLUX.1、ControlNet、image-to-image 和 LoRA。在工作流层，ComfyUI 很关键，因为它把生成变成显式节点图：checkpoint 加载、prompt 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。这种架构与 LiblibAI 作为模型市场和创作工作室的公开定位吻合；创作者可以使用专门的中文风格模型资产，把基础 checkpoint 与 LoRA adapter 组合起来，并打包可复用工作流。证据支持工作流成熟度，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。这些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，但集成证据薄于产品牵引

开发者信号来源表明，LiblibAI 可以被视为可编程生成入口，但公开证据还不足以等同于一个成熟企业 API 计划；后者应有透明定价、SLA、SDK 和安全文档。GPTProto 描述了一个 LiblibAI API 生态，开放文生图、图生图、ControlNet、ADetailer、LoRA 训练、ComfyUI 在线和复杂节点工作流。Runflow 的 ComfyUI 指南展示了这类后端通常遵循的模式：客户端向 /prompt 提交工作流 JSON，通过 WebSocket 或历史端点观察执行，上传输入并取回生成文件。这对需要可重复生产流水线的工作室有用，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、可用性历史或模型提供商透传条款；这些私有控制项决定开发者接入是一条可扩展产品线，还是高级用户便利功能。[CE016, CE017, CE021, CE022, CE023, CE043]

5.4 差异化来自本地化工作流密度；风险是第三方模型依赖

建设性技术论点是，Liblib 已积累一个本地化中国创作者生态：创作者上传、训练和分享 LoRA 模型与工作流，普通用户则无需拥有 GPU 或掌握本地工具，就能复用这些资源。这可能比单一提示词界面更可防守，因为社区资产、风格库、工作流模板和生产习惯都会制造切换成本。负面论点同样重要。China Biz Insider 报道称，Evoken 不开发自有基础模型，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连价格、限制访问或打包一方工作流应用，Evoken 的毛利和差异化可能迅速被压缩。合规是另一项产品风险：CAC 备案背景和已报道的 CCTV 内容安全事件说明，审核和标识不是事后事项。承销结论是：Liblib 具有牵引力很强的工作流应用护城河，但仍需要对模型合同、安全整改、API 控制和按产品线划分的贡献利润率做私有尽调。[CE013, CE032, CE033, CE034, CE035, CE036]

5.5 图表

6.1 客户基础：大众创作者社区输入 B 端工作流

Liblib 的客户基础应按双边市场系统承销，而不是按纯 SaaS 账户名单承销。在 C 端，公开报道提到截至 2026 年中累计用户超过 30 million、2025 年末总用户 25 million 且 MAU 约 4 million、AI 创作者超过 20 million、原创模型超过 500,000 个、每日生成图像超过 5 million 张。这创造了一个庞大的供给侧，包含提示词用户、LoRA 训练者、设计师、插画师、自媒体创作者和专业视觉工作者。在 B 端，经过验证的公开证据更窄，但战略上重要：Jiemian 称 LiblibAI 为 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，最强的细分视角是：C 端创作者贡献流动性和数据，专业创作者贡献订阅和积分，B 端工作室或企业贡献 API、定制化服务和更高价值的工作流支出。[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

具名客户名单重要，因为它满足了客户证明标准，但单靠名单不能证明经常性生产部署或具体结果。更有说服力的 B 端证据来自游戏、短剧、电影和广告周边的垂直预算。LibTV 据称从上线到首月单日收入超过 US$1 million，5 月收入超过首月收入 13 倍，一个月内接入 300 多家短片和电影公司，服务近 1,000 家代理商、制作公司和品牌客户。游戏带来第二个大型预算池：miHoYo 的 RMB100 billion AI 承诺、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、资产、NPC 和 UGC 工作流正在成为采购优先事项这个论点。这些事实意味着真实需求存在，但合同规模、生产状态和逐客户结果仍属私有信息。[CU009, CU010, CU011, CU012, CU013, CU015]

6.3 获客路径：免费增值激活，转向积分、订阅和企业 / API 支出

可观察的市场进入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入生态；高频使用、优先 GPU 访问、训练和专业功能再转化为订阅或积分；API 和定制化企业需求则把 B 端客户推向更高价值合同。这解释了为什么同一家公司既能展示创作者社区指标，又能展示 US$300 million ARR：创作者基础提供内容、工作流、模型和分发，专业生产者和企业则提供付费意愿。扩张依赖跨产品循环。创作者或工作室可以从 LiblibAI 上的图像模型开始，迁移到 LibTV 的视频工作流，随后购买 API 或定制服务。尽调问题在于，这个循环有多少是经常性且可防守的，多少是补贴驱动的；尤其 API 设置摩擦和第三方模型替代品可能鼓励多栖。[CU019, CU028, CU029, CU030, CU031, CU032]

6.4 耐久性仍未验证：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。留存来源没有披露 NRR、GRR、流失率、续约率、合同期限、头部客户占比、企业销售管线转化或满意度。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，但它们不是队列留存。需求侧风险也不是理论问题。Tech Times 报道了工业级 AI 短剧热潮：每天 470 部 AI 制作作品、内容过剩、真实工人被替代、写作项目取消，以及未经授权肖像问题。这会产生两条可能的需求路径：更多工作室购买 AI 工具来竞争产量，或者品牌和机构因为 AI 内容变得声誉敏感而放慢采用。因此，投资尽调应取得按细分市场划分的队列留存、企业收入集中度、合同续约数据、API / 私有化部署条款和品牌安全采购反对意见，然后再把 Liblib 客户基础视为持久。务实测试是：免费算力、创作者奖励和发布期宣传正常化后，使用是否仍能留下。没有这些证据，ARR 应被视为强需求证明，但尚不能证明低流失的客户耐久性。[CU024, CU025, CU026, CU027, CU037, CU038]

6.5 图表

7.1 中国 AIGC 监管已是操作系统，不是上线清单

Liblib 的第一层风险是监管连续性。中国如今不是靠单一法律监管面向公众的生成式 AI，而是靠一组工具叠加：2023 年 1 月《深度合成管理规定》、2023 年 8 月《生成式人工智能服务管理暂行办法》、通过 CAC 和地方网信部门管理的备案与登记名册，以及 2025 年 9 月 AIGC 标识办法和 GB 45438-2025。对 Liblib 来说，这套监管栈直接映射到图像、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。负面承销点是，备案必要但不充分：标识文件、元数据、用户声明、事件响应、未成年人保护和周期性名册可见性，都必须跟上 LibTV、Xingliu、Lovart 以及跨境工作流的产品扩张。[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、生成产出和内容审核的组合。CCTV 在 2026 年曝光 LiblibAI 可被提示词绕过过滤器生成色情或不当内容，这一点直接相关，因为中国 AIGC 监管强调执法，而且越来越以标识为中心。公司据称进行了技术整改，但投资者需要证据证明修复能在对抗性提示词下保持稳定，而不只是被动应对。版权风险同样具有工作流特征。Ultraman v Acgnai 并没有把所有训练行为都定为违法；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产出、被推广的 LoRA 模型、平台获利、侵权明显性和未采取预防措施上。这正是为什么 Liblib 的模型分享和 LoRA 市场需要强 IP 审查、投诉渠道、模型屏蔽、标识和下架运营。赔偿金额只有 RMB 30,000，但禁令、下架或企业采购受阻会重要得多。[CR012, CR013, CR014, CR015, CR016, CR017]

7.3 只有工作流锁定跑赢模型商品化，聚合器经济学才可投资

Evoken 的业务风险不是需求：公开来源提到截至 2026 年 5 月用户超过 30 million、原创模型 500,000 个、ARR 为 US$300 million。问题在于这些用户和工作流能否创造足够的利润率控制。China Biz Insider 的负面框架处于核心位置：Evoken 不拥有专有基础模型，依赖第三方 API、模型提供商以及云或算力经济学。这让公司暴露于重新定价、接入降级、一方打包和直接替代；一旦模型厂商进入工作流层，风险会放大。LibTV 在 Jimeng 价格变化后增长，说明 Evoken 能快速套利用户痛点，但也让排队时间和 API 成本表成为论点变量。尚未盈利状态和一轮大额 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划分的产品级毛利，而不只是 ARR，因为模型转售商可能在摧毁贡献利润率的同时做大收入。[CR026, CR027, CR029, CR030, CR031, CR032]

7.4 治理尽调应聚焦集中度、控制项和可量化触发线

人和治理风险中等但真实。陈冕此前 CapCut 商业化经验是一项资产，因为公司依赖快速判断 PMF；但同一证据也让投资论点以创始人为中心。来源包报告的 73.95% 创始人持股和之后的法定代表人变更，不应被当作不当行为；它们应成为董事会构成、保留事项、关联方控制、信息权和继任规划的尽调提示。务实投资流程应把每项主要风险转化为触发线：再次受到 CAC 或应用商店行动、AIGC 标识缺陷未解决、另一次 CCTV 级审核失败、IP 通知积压未解决、LoRA 工作流被禁令限制、关键模型 API 流失或重新定价，或有证据显示规模化后产品级毛利仍结构性为负。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，Liblib 才有吸引力。证据还留下几个定量问题：当前合规人员规模、通知量、红队失败率和 API 提供商集中度都未公开，因此每一项都应成为交割前交付物，而不是投后改进计划。[CR038, CR039, CR040, CR041, CR043, CR044]

7.5 图表

8.1 头部估值：大额融资，但 ARR 倍数不高

Liblib / Evoken 2026 年 6 月融资表面上很大，但用公开 ARR 证据归一化后，并不明显虚高。多份独立报道共同指向：Series B+ 融资约 US$300 million，投后估值超过 US$2 billion，2026 年 5 月 ARR 约 US$300 million。这让头部轮次约为 6.7x ARR，且尚未调整资产负债表现金或未公开的优先条款。对于一家成立两年的 AI 应用集团，若其拥有超过 30 million 用户、500,000 个原创模型，且收入背后有专业内容预算支撑，这个价格意外克制。因此，承销问题不是投资者是否支付了典型 AI 泡沫倍数，而是报告 ARR 在扣除第三方模型和算力成本后，是否经常性、能留存且毛利为正。这个框架也让估值更容易与传统 SaaS 对比：如果把超过 US$2 billion 的标记视为企业价值下限，那么除非真实投后估值远高于披露值，否则 US$2 billion 以上每增加一美元，只会温和推高倍数。[CV001, CV002, CV003, CV004, CV005, CV008]

8.2 基准让 6.7x 显得便宜，但不是每一美元 AI 收入都应享受溢价

外部基准组合支持中性偏建设性的估值立场。2026 年 SaaS 来源显示，公有云平均值接近中个位数，传统 SaaS 约为 4x 至 7x ARR，而更高增长的 AI 原生或垂直 AI 软件高得多。在这个背景下，Liblib 的 6.7x ARR 倍数低于 AI 原生头部四分位，更接近重置周期后的公开 SaaS。创意 AI 可比公司进一步强化这个点：Canva 的 US$4 billion ARR 支撑 US$42 billion 至 US$65 billion 估值区间，Midjourney 似乎接近 20x 收入倍数，Sacra 的 Gamma 数据点高于 20x ARR。折价合乎逻辑，不是惩罚性定价。Liblib 增长异常，但公开证据尚未证明专有模型经济学、企业留存，或可与全球最佳 AI 创意平台相比的持久工作流护城河。[CV015, CV016, CV017, CV018, CV019, CV020]

8.3 情景分析：工作流锁定能抵消聚合器风险时，估值才站得住

情景法指向一个有条件的「合理」价格。熊市情景假设 ARR 卡在已披露的 US$300M 附近，零售端使用仍对补贴敏感，模型原厂压缩转售价差；按 4 倍 ARR 算，隐含价值约 US$1.2B。基准情景假设前瞻 ARR 升至约 US$420M，但毛利率、NRR 和 API 成本传导仍未披露，投资人只给 5 倍 ARR，估值落在约 US$2.1B，足以支撑本轮。牛市情景需要证明 LibTV、LiblibAI、Xingliu 和 Lovart 正在变成一个有工作流锁定的创作者操作系统；若前瞻 ARR 达到 US$500M、市场愿意给 8 倍，公司可支撑约 US$4B。只有私下尽调验证收入质量后，这种不对称才有吸引力。[CV028, CV029, CV030, CV031, CV032, CV033]

8.4 最终判断：估值有支撑，但要扣除中国 AI 泡沫和合规折价

2026 年中国独角兽环境既提供支撑，也提示谨慎。Nation Press 报道，2026 年上半年中国新增 67 家独角兽；Hurun 全球榜单显示，AI 是私募市场价值创造的主引擎。这意味着 Liblib 并非孤立的融资异象，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大潮里。反向因素同样关键：China Biz Insider 对具身智能的现实核查警告称，许多现金跑道短的 AI 独角兽可能在 2027–2028 年面临整合、降价融资或失败。Liblib 已披露 ARR，股东名单也强于许多概念阶段同行；但监管 / 内容安全风险敞口，以及缺乏公开利润率指标，都应明确进入估值折价。基于公开记录，超过 US$2B 的估值有支撑，但它只是一个合理且对证据敏感的入场价，不是明显便宜货。因此，投委会的正确姿态不是把本轮斥为 AI 亢奋，而是要求证明收入质量强于折价所暗示的水平：经审计的 ARR 桥、客户 cohort、贡献毛利和合规控制，才能把结论从合理推向有吸引力。[CV036, CV037, CV038, CV039, CV040, CV041]

8.5 展示材料