商业模式拆解 · AI Singapore (SEA-LION)
AI Singapore（SEA-LION）：用国家预算养开源模型，商业回报不在模型本身
政府出资、模型免费、靠生态落地，赌注是东南亚语言能力能沉淀为公共品而非产品。
关键数字
SEA-LION 没有传统收入线：模型开源免费，公开资料未见任何定价或合同金额，运营资金来自新加坡 NRF 的 NMLP（7000 万新元、两年期）与 NAIRD（2025–2030 年逾 10 亿新元）等国家研发预算。钱主要花在持续预训练算力与基座适配：v4.8 的 30B 模型 CPT 用 1500 亿 tokens，120B 用 335 亿 tokens，并依赖 NVIDIA Nemotron、Meta Llama、Qwen 等外部基座。它靠政府持续拨款和生态采用活下去，下载量与 GoTo、NCS 等采用案例是公共品逻辑的验证指标，而非收入。最大赌注是“东南亚语言能力作为公共基础设施”能先于商业竞品形成事实标准；若外部基座许可收紧或区域竞品降价，项目自主性与存在感都会被压缩。
产品与模型
开源许可换采用：MIT 与基座许可并存，免费不是策略而是约束
SEA-LION 的发布方式本身就是产品机制：早期自研模型以 MIT 许可证开源，v2 基于 Llama 3 则沿用 Meta Llama 3 社区许可证，v4.8 基座沿用 NVIDIA Nemotron 开放模型许可证，允许商用与衍生分发。这意味着不同代际的模型在商用自由度上并不一致，采用者需要逐代核对许可条款，而不是默认“全部 MIT”。
免费开源换来的不是收入，而是分发速度与本地化衍生。Sahabat-AI（印尼语）与 WangChanLION（泰语）是基于 SEA-LION 的衍生模型，说明区域团队愿意在它之上做二次开发。对 AI Singapore 而言，这相当于把模型当作公共品投放，用衍生生态扩大东南亚语言覆盖，而不是用许可费回收研发成本。
判断：这套产品机制适合“标准制定者”角色，不适合需要毛利的产品公司。许可条款随基座变化，长期会削弱“统一开源承诺”的品牌一致性；一旦上游基座收紧商用条款，SEA-LION 的再分发自由就会被上游钳制。
依据R6R8R10R15MoE 降推理成本：省的是采用方的算力账，不是自己的训练账
v4.8 是 SEA-LION 首个 MoE 架构、首个基于 NVIDIA Nemotron 的模型系列，含 30B-A3B 与 120B-A12B 两种规模，各发布 Base 与后训练版本共四个检查点。MoE 只激活 3B/12B 参数，官方称可显著降低算力成本与延迟——这直接降低了采用方部署的门槛，尤其是预算有限的中小企业和边缘设备场景。
但省下来的是推理成本，不是训练成本。v4.8 的 30B 模型持续预训练用了 1500 亿 tokens，120B 模型用了 335 亿 tokens；这些 CPT 算力由项目方承担，且依赖外部基座，无法通过 MoE 架构本身回收。
判断：MoE 是面向采用方的成本设计，对项目自身是纯支出。它让 SEA-LION 更容易被装进企业本地环境，但也意味着项目必须持续投入 CPT 才能跟上基座迭代，否则“低成本”会变成“低能力”的同义词。
依据R1R9收入模式
没有收入线：模型免费，付费方缺位
SEA-LION 以开源免费方式提供，未见任何模型定价或收费口径。账本中没有 API 调用费、订阅费、许可费或合同金额的记录，也没有企业版或托管服务报价。换句话说，这家“公司”在收入模型上是空的：它不向模型使用者收钱。
这不是定价策略，而是资助结构决定的。项目由 AI Singapore 的 AI Products Pillar 开发、新加坡 NRF 资助，目标是把东南亚语言模型做成公共品，而不是产生营收。若强行套用商业模型，它的“客户”是采用方，“付费方”是政府预算，两者分离。
判断：对创业者而言，这条“收入线”不可复制——除非你也有财政拨款。任何试图用 SEA-LION 模式做商业公司的团队，都必须另外找到付费方，否则免费开源只会消耗现金。
依据R12R16R4R9生态采用不产生收入，只产生验证信号
GoTo Group 等企业已采用 SEA-LION，NCS 在 2025 年 7 月试点用于多语言法律文档翻译与监管变化检测。这些是采用案例，不是收入案例：账本没有披露任何合同金额、付费模式或商业条款。
采用案例的作用是证明模型在真实业务场景中可用，从而支撑政府继续拨款和区域生态扩展。Sahabat-AI 与 WangChanLION 等衍生模型进一步说明，价值以“被使用、被二次开发”的形式外溢，而不是以现金流形式回流。
判断：这是一种“影响力回报”而非“财务回报”的模型。它可以验证技术路线，但不能回答单位经济模型问题。创业者若借用，需要把采用量换算成可收费的服务环节，否则采用越多、维护成本越高。
依据R13R15客户与市场
客户是区域企业和公共机构，但买单的是财政预算
SEA-LION 的使用方包括 GoTo Group 等区域企业，以及 NCS 这类系统集成商在公共与法律场景中的试点。它们的共同需求是东南亚多语言处理：印尼语、泰语、越南语等本地语言在通用大模型上表现不足，而 SEA-LION 提供了可本地部署、可商用的开源选项。
但这些使用方并不直接向 AI Singapore 付费。账本中没有任何客户合同金额或收费记录，说明客户关系是“采用关系”而非“买卖关系”。真正承担成本的是新加坡 NRF 的研发预算。
判断：客户名单证明需求存在，但不证明付费意愿。对小团队来说，这意味着“有人用”和“有人付钱”是两件事，不能把采用案例直接当作商业验证。
依据R13R2获客与渠道
开源仓库加合作试点：分发靠生态，不靠销售
SEA-LION 的触达方式主要是开源发布与机构合作：模型在开源渠道提供下载，截至 2025 年 7 月下载量超过 235,000 次；同时通过 GoTo Group 采用、NCS 试点、Sahabat-AI 与 WangChanLION 等衍生项目扩散。2026 年 1 月 Dell 宣布与 AI Singapore 合作优化 SEA-LION 用于 AI PC 与边缘设备，这是渠道侧的延伸。
这条分发链路没有销售团队和渠道分成，靠的是“免费可用 + 本地语言覆盖 + 合作背书”。它的效率体现在下载量和衍生项目上，但无法转化为收入漏斗。
判断：开源分发适合建立标准，不适合建立销售组织。创业者可以借“用合作试点替代销售”的做法，但必须清楚：没有付费环节的分发，规模再大也只是成本前置。
依据R13R15R16成本结构
钱花在持续预训练算力与基座适配，不在销售和市场
SEA-LION 的主要成本是模型训练：v4.8 的 30B 模型 CPT 使用 1500 亿 tokens，120B 模型使用 335 亿 tokens，且依赖 NVIDIA、Google、Meta、Qwen 等外部基座模型。这意味着每一代模型都要支付算力费用和基座适配成本，而不是从零自研全部组件。
账本没有披露具体算力金额、云服务合同或人员成本，因此无法量化成本结构。但可以确定的是，支出集中在研发侧，没有销售费用、客户获取成本或渠道分成的记录。
判断：这是一种“研发重、商业轻”的成本结构，适合公共资助，不适合自负盈亏。创业者若模仿，需要先确认自己能否承担每代基座迭代的 CPT 成本，否则模型会迅速落后。
依据R1R5R12融资与资本
靠国家研发预算活着：NMLP 的 7000 万新元与 NAIRD 的逾 10 亿新元
SEA-LION 的存续资金来自新加坡政府：2023 年启动的 NMLP 由 NRF 出资 7000 万新元、为期两年；2025–2030 年 NAIRD 计划投入逾 10 亿新元用于国家 AI 研发，资金源自 NRF 于 2025 年 12 月宣布的 370 亿新元研发创新承诺。这些是计划级资金，不是 SEA-LION 单独融资，账本也未披露项目层面的分配金额。
这种资本结构决定了项目不需要收入也能运转，但也意味着它的优先级随国家研发议程变化。NMLP 是两年期，NAIRD 是五年期，时间窗口明确，项目必须在这两个周期内证明生态价值。
判断：靠财政预算活着的项目，最大风险不是竞争，而是预算周期结束后的接续问题。创业者借不了这条资本线，但可以借“用公共资金验证公共品”的思路——前提是找到对应的公共或慈善资金方。
依据R2R3护城河
护城河是区域语言数据与公共品定位，不是模型能力
SEA-LION 的差异化在于东南亚语言覆盖和本地化衍生生态：Sahabat-AI（印尼语）、WangChanLION（泰语）等衍生模型，以及 GoTo、NCS 的采用案例，构成了一个围绕区域语言的协作网络。这种网络效应来自“公共品”定位——使用方不需要担心供应商锁定，因此更愿意贡献数据和反馈。
但技术护城河有限：模型依赖 NVIDIA Nemotron、Meta Llama、Qwen 等外部基座，自主性受限；技术报告也承认沿用 Nemotron 分词器对高棉语、老挝语、泰米尔语效率较低，CPT 语料未明确含菲律宾语。这说明语言覆盖并不完整，护城河有缺口。
判断：真正的壁垒是“政府背书 + 区域语言数据 + 开源信任”，而不是模型参数或架构。这种壁垒对商业公司不成立，因为商业公司无法同时做到免费、可信和持续补贴。
依据R5R12R11R15风险与不确定性
上游基座许可收紧，开源承诺会被动摇
SEA-LION 不同代际的许可证不一致：早期自研模型是 MIT，v2 沿用 Meta Llama 3 社区许可证，v4.8 沿用 NVIDIA Nemotron 开放模型许可证。这意味着“开源免费”的承诺部分取决于上游基座方的许可政策。一旦 NVIDIA 或 Meta 调整商用条款，SEA-LION 的再分发自由度会立即受限。
项目对此没有控制权，只能被动适配。技术报告承认基座分词器对部分东南亚语言效率低，也说明基座选择本身就在制约语言覆盖。
判断：依赖外部基座的开源项目，许可风险高于技术风险。创业者若基于第三方基座做产品，必须把许可变更当作常态化风险，而不是一次性法务检查。
依据R6R8R10R11语言覆盖不全，区域标准制定者的位置并不稳固
SEA-LION 以东南亚语言为名，但技术报告承认 Nemotron 分词器对高棉语、老挝语、泰米尔语效率较低，CPT 语料未明确含菲律宾语。这意味着它在部分东南亚语言上的能力可能弱于宣传口径，区域覆盖存在空白。
与此同时，区域内的商业模型和开源模型都在增加东南亚语言支持，SEA-LION 的“公共品”定位并不能阻止竞品进入。下载量超 235,000 次是采用信号，但不是排他性信号。
判断：如果语言覆盖的短板不能补齐，“东南亚语言标准”的位置会被更完整的竞品拿走。对小团队而言，这意味着“区域覆盖”不能靠口号，必须逐语言验证数据与效果。
依据R11R13关键节点
IMDA 与 AI Singapore、A*STAR 合作启动新加坡国家多模态大模型计划 NMLP，NRF 出资 7000 万新元，为期两年R2
SEA-LION 开源模型版权标注 2023 AI Singapore，早期 v1 7B 基于 MPT 架构，训练数据 980B tokensR6R7
SEA-LION 下载量超过 235,000 次；GoTo Group 等企业已采用；NCS 试点多语言法律文档翻译与监管变化检测R13
NRF 宣布 370 亿新元研发创新承诺，支撑 NAIRD 在 2025–2030 年投入逾 10 亿新元用于国家 AI 研发R3
Dell 宣布与 AI Singapore 合作优化 SEA-LION 用于 AI PC 与边缘设备R16
对AI原生公司创始人的启示
这一节是编辑判断，基于上面的证据推演，不是公司原话。
用开源发布和合作试点替代销售，先换采用再谈付费
SEA-LION 没有销售团队，靠开源发布、GoTo Group 采用、NCS 试点和 Dell 合作把下载量推到 235,000 次以上。小团队可以借这套做法：先把模型或工具免费放出去，用一两个真实业务场景的试点证明可用，再把采用案例当作下一轮资源的敲门砖。
但 SEA-LION 的采用案例没有对应任何合同金额或收费记录，采用和付费是两件事。借这套做法时必须提前设好转化点，明确试点结束后按什么服务收费，否则下载越多、维护越重，采用量只会变成成本。
MoE 降的是采用方的推理账，训练账仍要自己扛
v4.8 用 MoE 架构，30B 和 120B 模型分别只激活 3B 和 12B 参数，官方称可显著降低算力成本与延迟。这对预算有限的小团队有直接参考价值：如果要做本地部署的产品，选激活参数少的架构能把采用方的门槛压下来，也更容易装进企业自己的环境。
但省下的只是推理成本。30B 模型的持续预训练用了 1500 亿 tokens，120B 用了 335 亿 tokens，这笔算力由项目方承担，且依赖 NVIDIA Nemotron 等外部基座。小团队没有国家预算，借不了这条训练账，只能把 CPT 成本控制在自有现金能覆盖的范围内，或者干脆不做基座适配、直接基于现成模型做应用层。
依赖外部基座，许可变更要当常态风险管
SEA-LION 不同代际的许可证并不一致：早期自研模型是 MIT，v2 沿用 Meta Llama 3 社区许可证，v4.8 沿用 NVIDIA Nemotron 开放模型许可证。这意味着“开源免费”的承诺部分取决于上游基座方的政策，一旦上游收紧商用条款，再分发自由度会立即受限。
小团队如果基于第三方基座做产品，可以借的是这种风险意识：把许可变更当作常态化检查项，而不是上线前做一次法务确认；在选基座时优先看商用与衍生分发条款，并保留切换基座的余地。借不了的是 SEA-LION 的政府背书——它即使被上游钳制，仍有 NRF 预算支撑继续适配，商业团队没有这层缓冲。
公开资料没有回答的问题
- SEA-LION 项目层面从 NMLP 和 NAIRD 实际分配到的资金是多少？公开资料未披露。
- GoTo Group 和 NCS 的采用是否涉及任何付费合同？公开资料未披露金额与条款。
- SEA-LION 的团队规模和年度算力支出是多少？公开资料未披露。
- 若上游基座许可收紧，SEA-LION 是否有自研基座或切换基座的预案？公开资料未披露。
证据来源
正文里的编号对应下面的来源。数字没有来源的句子在成稿前已被删除；公开资料未披露的直接写明未披露。
- R1Uplifting AI in Southeast Asia (SEA): Announcing Nemotron-SEA-LION-v4.8 in Collaboration with NVIDIA | SEA-LIONsea-lion.ai · 一手来源 · 可信度 88
- R2National Multimodal LLM Programmeimda.gov.sg · 媒体与披露 · 可信度 87
- R3Singapore to Invest More Than SGD 1 Billion in National AI Research Plan Over Five Years - Telecom Review Asiatelecomreviewasia.com · 媒体与披露 · 可信度 86
- R4Nemotron-SEA-LION-v4.8 | SEA-LION Documentationdocs.sea-lion.ai · 一手来源 · 可信度 84
- R5Models | SEA-LIONsea-lion.ai · 一手来源 · 可信度 84
- R6NOTICE.md · aisingapore/Nemotron-SEA-LION-v4.8-120B-A12B-NVFP4 at main - THIRD PARTY NOTICEShuggingface.co · 媒体与披露 · 可信度 83
- R7README.md · aisingapore/SEA-LION-v1-7B at refs/pr/8 - File size: 6,381 Byteshuggingface.co · 媒体与披露 · 可信度 82
- R8license: llama3huggingface.co · 媒体与披露 · 可信度 82
- R9SEA-LION-v4.8: A Technical Report - License: CC BY 4.0arxiv.org · 媒体与披露 · 可信度 81
- R10aisingapore/Llama-SEA-LION-v2-8B-IT:q5_0/licenseregistry.ollama.com · 媒体与披露 · 可信度 77
- R11SEA-LION-v4.8: A Technical Reportpaper.dou.ac · 三方整理 · 可信度 77
- R12SEA-LION Documentationdocs.sea-lion.ai · 一手来源 · 可信度 77
- R13NCS & Tokopedia Pilot Sea-Lion AI | Southeast Asia’s LLMncs.co · 媒体与披露 · 可信度 83
- R14扩大东南亚的人工智能优势ncs.com.cn · 媒体与披露 · 可信度 82
- R15Case Studies | SEA-LIONsea-lion.ai · 一手来源 · 可信度 81
- R162026.01.12 | Dell Technologies and AI Singapore collaborate to enhance SEA-LION for Dell AI PCs and Edge Infrastructure - Sign Indell.com · 媒体与披露 · 可信度 81
- R17AI Singapore Collaborates with Dell Technologies to Help Democratise Access to AI in Southeast Asia - AI Singapore Collaborates with Dell Technologies to Help Democratise Access to AI in Southeast Asiamanilatimes.net · 媒体与披露 · 可信度 78
- R18AI Singapore Collaborates with Dell Technologies to Help Democratise Access to AI in Southeast Asia - Remember articleayondo.com · 媒体与披露 · 可信度 76
由 EveryTik 调研流水线生成（deepseek-flash），经结构门禁、数字核对与独立审稿；引用 16 个来源、11 个独立域名。发现错误请以公开来源为准，我们会在下一轮调研时修正。