今天来聊一家北京 AI 公司：LiblibAI，https://www.liblib.art/

这家公司其实我之前写过，但是最近披露的新融资和收入数据，让我觉得有必要再分析下。

Liblib 哩布喱布 2023 年成立，三年后，估值超过 20 亿美元。

2026 年 6 月，LiblibAI 背后的母公司演语科技 Evoken 完成接近 3 亿美元 B+ 轮融资，由 Granite Asia、腾讯和顺为资本等参与。

这是今年国内 AI 视频生成领域规模最大的一笔融资。

截至今年 5 月，公司披露的年化经常性收入已经达到 3 亿美元。

2026 年，Liblib 的母公司 Evoken 整个创作者生态已经超过 3000 万用户。

回头看，LiblibAI 的成长路线特别完整：

它先占住模型作者、再把创作者拉进来、然后提供算力和工具。

再从“生成一张图”，一路走向“完成一个设计项目”和“交付一条视频”。

2023 年，AI 画图最大的问题之一，是“太难用了”

先把时间拉回 2023 年。

那一年，Stable Diffusion 已经火了，很多人第一次发现：

原来一个开源 AI 模型，也能生成非常漂亮的图片。

但真的开始用，问题马上来了：

你要选基础模型、找 LoRA、安装 WebUI、配置环境，显卡不够，还跑不起来。

然后开始研究：采样器选什么？尺寸多少？模型权重调到多少？提示词怎么写？ControlNet 怎么接？

我说了这么多，对今天很多普通用户来说，这些词依然很陌生。

先简单解释一下 LoRA。

你可以把一个通用 AI 绘画模型理解成一个什么都会画的画师。

但这个画师不一定特别懂“中国古风”，也不一定认识一个具体动漫角色。

LoRA 有点像给这个画师临时加一个“小技能包”。

装上以后，它突然特别会画一种脸，一种服装，一个角色，或者一种固定风格。

问题是，2023 年大量这样的“小技能包”开始出现以后，创作者需要一个地方找到它们、看效果、研究参数，再拿来使用。

所以 LiblibAI 当时给自己的定位很直接：

AI 绘画领域的 GitHub。

Stable Diffusion 的开源生态快速扩张后，模型作者、设计师和 AI 绘画玩家需要分享模型、交流参数、复用提示词和作品案例，LiblibAI 就从这里切进去。

我去看了 LiblibAI 现在一个普通模型的介绍页面，以一个卡通游戏图标 LoRA 为例。

页面会直接告诉用户：

模型文件叫什么，匹配哪个基础模型，推荐图片尺寸是 1024，LoRA 权重建议 0.8，采样算法使用 Euler a，下面还有作者生成的图片。

懂 AI 绘画的人看这些参数，就知道应该怎么复现。

不懂的人，也不用从零研究。

选模型，看别人怎么生成，照着参数先跑一次就行了。

这其实就是 LiblibAI 最早解决的问题：

不是教所有人训练大模型，而是让一个人训练出来的东西，可以被更多人直接使用。

最开始的模型作者，是他们一个个找来的

这种平台有一个很实际的问题：刚上线的时候，什么都没有。

没有模型、没有作品、没有用户。

用户打开以后发现没有好东西，很快就走了。模型作者发现没人用，也不会上传。

LiblibAI 最早没有什么神奇的 AI 增长方法，他们直接“拉人头”。

团队从模型作者、AI 创作者和视觉设计师入手，一个个引入、服务、再孵化。

他们帮助模型作者发布模型、展示效果，也尝试让作者从自己的模型里获得收入；普通用户则可以直接使用这些模型继续创作。

这个顺序很重要，LiblibAI 没有先花很多钱去拉普通用户。

因为一个 AI 绘画社区，如果里面没有好模型，普通用户来了也没什么用。

它先找的是供给，比如一个作者特别会训练中国古风模型。

过去，他自己用，或者在很小的圈子里交流。

到了 LiblibAI，模型可以被展示、被搜索、被使用。

其他用户用这个模型生成新作品，作品又给模型带来新的曝光，然后更多人开始使用。

一个模型作者，实际可以不断给平台生产新的创作工具。

这和普通内容社区有一点区别。

小红书的一个博主发一篇内容，大家看完，就结束了。

但 LiblibAI 上一个模型作者上传一个 LoRA。

后面可能有一万人使用，一万人生成十万张不同的图片。

作者生产的不是一张内容，而是一套生产内容的能力。

所以 LiblibAI 后面一直在给模型作者发钱。

即使在公司最困难的时候，也没有完全停掉。

创立以来，LiblibAI 累计发放的创作者激励已经超过 1000 万元；2025 年 9 月，平台收益排名前四的创作者，单月收益都超过 2 万元。

模型多了，作品就多，作品多了，普通创作者开始进来，这个循环才慢慢跑起来。

公司上线 4 个月，差点直接死掉

先介绍 LiblibAI 的母公司和旗下的产品。

LiblibAI 的母公司是演语科技 Evoken 旗下产品包括：

• LiblibAI：AI 模型、素材和创作者社区
• Lovart：面向海外的 AI 设计 Agent
• 星流 Agent：Lovart 的中文本土化产品
• LibTV：AI 视频创作工作台

CEO 陈冕出生于 1992 年，是一个特别典型的中国互联网产品经理。

陈冕的职业经历不像一条规划清晰的直线，更像一本中国互联网公司的“集邮册”。

腾讯、360、百度、滴滴、摩拜、每日优鲜，再到字节跳动，他在十年里换过多家公司，做过产品，也参与过从零开始搭业务。

陈冕后来解释，自己频繁换工作的原因很简单：一直没有到达自己真正想要的状态。

在字节跳动，他终于跑到了一个很高的位置。

他负责过剪映和海外版 CapCut 的全球商业化，28 岁时成为字节当时最年轻的产品 4-1 之一。

这个职级已经不是普通产品经理，而是开始负责重要业务和团队的高级管理岗位。

但 2023 年，陈冕还是离开了字节。

他没有去训练一个更大的基础模型，而是从一个看起来很“边缘”的需求开始：

给使用 AI 画图的人，做一个分享模型、寻找模型和交流作品的社区。

这就是 LiblibAI。

但创业初期，LiblibAI 一度非常狼狈。

2023 年，LiblibAI 成立两个月后完成 350 万美元天使轮融资，当时估值大约 1500 万美元。

团队觉得，钱融到了，就开始抢市场。

补贴创作者、拉用户、快速扩大社区。

结果上线只有 4 个月，LiblibAI 因为没有完成大模型备案，被下架。

与此同时，前期补贴已经烧掉 300 多万美元。

到 2024 年 3 月，公司账上只剩 4000 块钱。

陈冕开始收缩团队，同时继续融资，也有人提出收购 LiblibAI，他没有卖。

这里有一个细节我觉得很有意思。

公司账上只剩 4000 块的时候，LiblibAI 依然选择继续做创作者激励。

从财务角度看，这件事很冒险，但团队当时已经形成了一个判断：

他们真正积累下来的，不是某一个 AI 模型。

而是工具集成加创作者社区，尤其是后面的创作者生态。

为什么？因为模型一直在变。

2023 年大家用 Stable Diffusion，后来出现 FLUX。

再后来，GPT 图像模型、Seedream、Qwen-Image 等模型不断更新。

今天最好的模型，半年以后可能就不是了。

LiblibAI 如果把全部赌注放在“我的模型效果比别人好 10%”，风险很大。

但创作者有一个需求一直没有消失：

我想用现在效果最好的东西，把图做出来。

模型可以换，用户不一定要换平台。

LiblibAI 后来的产品路线，基本就是沿着这个判断一直往前走。

模型越来越多以后，它开始帮用户“把模型跑起来”

只做一个模型下载网站，还有一个问题：模型找到了，然后呢？

用户还是要自己装，还是需要显卡，还是要配置环境，还是要学 WebUI 和 ComfyUI。

所以 2023 年底，LiblibAI 开始从模型库往云端工具走。

用户可以直接在平台调用算力。

文生图、图生图、局部重绘、ControlNet、训练模型、后来再加视频生成。

不需要自己买显卡，也不用在电脑里配置一整套复杂环境。

同时，作品可以直接发布。

别人看到一张喜欢的图片，可以查看它用了什么模型、什么参数，再进行二次创作。

LiblibAI 2025 年披露的数据是，平台创作者已经累计生成超过 5 亿张图片。

这里有一个很直观的产品例子。

LiblibAI 上一个电商图片工作流，一共有 392 个节点。

用户上传一张模特正脸、再上传一张衣服图片。这套流程可以连续生成不同商品图：

特写妆容、上半身展示、全身服装展示、而且尽量保持模特一致。

这个流程，一共 392 个节点。

普通电商运营人员当然不想自己搭，但如果有一个专业创作者已经搭好了，其他人可以直接用。

这其实还是 LiblibAI 最早做模型社区的逻辑：

一个专业的人，把复杂的东西做好，剩下的人，直接使用就行。

只是以前分享的是 LoRA，后来开始分享完整工作流。

做到 2500 万用户以后，LiblibAI 反而开始藏起“模型社区”这个标签

2024 年以后，LiblibAI 开始遇到另一个问题。

用户已经能找到模型，也能在线生成。但专业设计师真的工作时，不会只做“一张图”。

举个很简单的例子：一家咖啡品牌准备做新品。

设计师可能需要：

先找视觉方向、做情绪板、设计主视觉、做包装效果图、再做小红书海报、做电商主图、做线下物料。

这时候，老板说颜色不对，就要全部再改一次。

“生成一张漂亮的图片”，只是其中一个动作。

所以 2024 年开始，LiblibAI 把产品重心从工具集往“工作过程”移动，希望创作者在平台里完成更多步骤。

到 2025 年 10 月，LiblibAI 2.0 直接把自己的定位改成“AI 专业创作工作室”。

新用户看到的是更简单的生成器、不同模型和更完整的图片、视频制作能力。

为什么要这样做？

因为模型入口很难成为长期壁垒。

今天平台 A 有一个模型，明天平台 B 也能接，甚至模型公司自己就做一个 App。

但如果一个设计师已经把自己的模型、作品、创作习惯和工作过程全部放在一个平台里，迁移就麻烦得多。

还记得吗，陈冕以前负责过剪映和 CapCut 的商业化。

剪映给他的经验就是：视频创作者留下来，并不是因为剪映有一个特别厉害的“加字幕按钮”。

而是素材、模板、音乐、字幕、剪辑、发布，这些东西被放在了同一个工作环境里。

LiblibAI 后来走的也是这个方向：

从模型，到工具，再到完整工作环境。

然后，它做了一个设计 Agent：星流

2025 年，Evoken 又往前走了一步。

推出设计 Agent Lovart，以及面向中文市场的星流 Agent。

星流对自己的介绍非常简单：“懂你的设计 Agent，帮你搞定一切。”

这和以前的 AI 画图有什么区别？

假设我要给一家咖啡店做品牌视觉，过去使用 AI 绘画，我的动作可能是：

输入提示词、生成四张图、不满意、改提示词、再生成、然后把图片下载下来、打开 Photoshop、调整、再去其他软件做海报。

星流想做的是，直接告诉 AI：

“我要给一家上海的精品咖啡店做夏季新品，年轻一点，但不要太网红。先帮我做一套视觉方向。”

让 AI 先做一遍，你看了之后继续说：

“第二个方向不错”、“字体太重”、“杯子的颜色换一下”、“按照这个方向，再做一张小红书海报和一张门店桌卡。”

人一直提要求，AI 在画布上持续工作。

Evoken 在高性能图像模型真正成熟以前，就判断模型厂商接下来会重点解决多轮指令理解、一致性控制和图片编辑能力。

如果这些问题解决，设计软件的交互方式可能会变。

所以团队提前押注了“对话+画布”的产品形式。

注意，这里 LiblibAI 的思路又变了一次。

最开始：你自己找模型；后来：你在平台上用模型。

到了星流：你告诉 AI 最后想做什么。

具体用哪个模型、先生成什么、下一步做什么、全部交给 Agent。

这就是从“生成一张图”到“完成整个设计任务”。

再下一步，是直接把一条视频交出来

2026 年，Evoken 又推出了 LibTV。

这次盯的是短剧团队、影视制作机构、广告公司和品牌客户。

团队和大量视频客户沟通以后发现，一个 AI 视频模型的镜头再漂亮，对专业客户来说也不够。

因为真正做一条片子，中间还有很多事情。

剧本、角色、原画、分镜、视频生成、角色一致性、镜头批量处理。

一个 AI 短剧导演向媒体描述自己的实际工作方式：

剧本和分镜阶段，需要文本模型，原画可能用 Midjourney 更顺，最后生成视频，再用 Seedance。

问题来了：

创作者要在很多产品之间来回切，图片下载、上传、整理、重新写提示词、再记录哪个角色用了哪张参考图。

LibTV 做的事情，就是把这一套过程放到一个工作台里。

根据公开报道，LibTV 目前包括脚本生成、角色一致性、AI 导演台、主体库、提示词优化和批量分镜等能力。

2026 年 3 月，LibTV 正式上线。

上线首月内，LibTV 单日收入一度超过 100 万美元，并服务近 1000 个短剧团队、影视制作机构、广告公司和品牌客户。

到 5 月，公司整体创作者生态超过 3000 万。

这些数据主要来自公司及相关报道披露，但至少从产品路线看，Evoken 已经从 2023 年的一个 AI 模型分享社区，走到了专业视频生产。

模型、图片、设计、视频，看起来做了很多产品。

但用户其实一直是同一群人：做内容的人。

LiblibAI 的壁垒，到底是什么？

这也是我觉得 LiblibAI 很适合国内AI 创业者看的原因。

因为过去两年，大家一直在问：应用公司会不会被大模型吃掉？

今天接一个模型 API，明天模型公司自己把这个功能做了。

怎么办？

LiblibAI 给出的答案当然还不能说已经最终成立，但它至少走出了一条非常具体的路线。

第一步，先找到最专业的用户。

模型作者、AI 创作者、设计师，而不是“所有想用 AI 的人”。

第二步，让专业用户开始生产可复用的东西。

模型、参数、提示词、工作流、作品，这些东西留在平台里。

第三步，把专业用户生产的能力，交给更多普通用户使用。

不会训练 LoRA？没关系。用别人的。

不会搭 392 个节点的电商工作流？直接跑别人搭好的。

第四步，模型能力提高以后，继续拓展更完整的服务。

以前帮你生成图片，后来帮你做设计，现在帮你做视频。

从一个动作，到完成完整的任务。

所以 LiblibAI 积累的并不只是 10 万个模型。

还有模型作者、3000 万创作者、5 亿张以上的历史创作。

以及，用户的创作习惯和大量工作流。

以及这群人到底怎么做图、做设计、做视频的经验。

这些东西单独拿出来，都不一定是一个无法复制的壁垒。

模型可以接，功能可以抄，工作流也可以重新做。

但问题是：

你要把这一整套东西重新积累一遍，这就没有那么快了。

以上，祝你今天开心。