1亿美元种子轮，SGLang团队携“全明星”投资人打造开源AI基础设施新标准

导语：5月5日，手握开源推理事实标准SGLang的团队正式创立RadixArk，以1亿美元种子轮宣告入场，目标是让AI基础设施如电力般普及。

当整个行业的目光仍聚焦在模型层厮杀时，一支手握开源推理事实标准的团队，带着硅谷史上最豪华的种子轮投资人阵容，正式向下一代AI基础设施发起冲击。

5月5日，AI基础设施初创公司RadixArk宣布完成1亿美元种子轮融资，投后估值4亿美元。无论从金额、估值还是投资人组成来看，这都堪称2026年AI Infra赛道中最为重磅的早期押注。

本轮由Accel领投，Spark Capital联合领投，机构投资人名单横跨了从GPU到CPU、从边缘芯片到数据平台的完整技术栈：NVIDIA旗下NVentures、AMD、联发科、Databricks，以及Salience Capital、HOF Capital、Walden Catalyst、A&E Investment、LDVP、WTT Fubon Family等一线机构悉数入局。

更为罕见的是，天使投资人阵容汇聚了Intel CEO陈立武、Broadcom、OpenAI前联合创始人John Schulman、xAI前联合创始人Igor Babuschkin、PyTorch联合创始人Soumith Chintala、Thinking Machines Lab联合创始人Lilian Weng等一批全球技术领袖。如此豪华的“硬件三巨头CEO+顶级模型实验室创始人+PyTorch缔造者”组合，在一笔种子轮中同时出现，几乎史无前例。这背后是业内对RadixArk可能成为“下一代基础设施事实标准”的强烈预期。

全世界最好的推理引擎，在他们手里

RadixArk的故事，必须从一个名为SGLang的开源项目讲起。

自2023年诞生以来，SGLang以惊人的迭代速度成长为开源大模型推理的事实标准之一：GitHub上累积超过27K星标，部署在超过40万块GPU上，每天承载着数万亿token的生产流量。用户名单包括Google、Microsoft、NVIDIA、Oracle、AMD、LinkedIn、xAI和Thinking Machines Lab等顶级科技企业。

过去两年，模型架构经历了MoE、长上下文、推理模型、多模态融合等一系列剧变。每一次架构重塑，SGLang都实现了Day-0兼容——首创的开源模型发布即支持机制，将性能逼近至硬件物理极限。其迭代速度与工程纪律被投资人反复称道，被视为开源项目中的顶尖存在。

一支系统与算法双栖的创始团队

底层工程纪律的背后，是一支在系统与算法领域积累深厚的创始团队。

CEO盛颖（Ying Sheng）本科毕业于上海交通大学ACM班，博士毕业于斯坦福大学，是LMSYS Org的发起者及SGLang的主要创始人之一。她曾先后就职于Databricks和xAI，并担任xAI推理团队负责人。她在注意力稀疏化、KV缓存复用等方面的工作备受关注，SGLang早期的RadixAttention机制便是其代表作。

CTO朱邦华（Banghua Zhu）本科毕业于清华大学电子工程系，博士毕业于UC Berkeley，师从机器学习泰斗Michael I. Jordan与Jiantao Jiao。他曾联合创立Nexusflow并被英伟达收购，后出任英伟达首席研究科学家，在工业级训练系统搭建与底层系统优化方面拥有深厚积累。

某核心硬件厂商技术负责人评价，这一组合或许是2026年AI Infra创业中最具含金量的创始人搭配：一方是执掌开源推理标准的研究型创业者，另一方则是来自GPU厂商核心研究层的算法行家。

不止推理：用Miles填平“训练-RL-推理”的效率断层

除了手握每天吞吐万亿级token的推理引擎SGLang，RadixArk在训练端同样有所突破。2025年11月，团队开源了强化学习框架Miles，主攻大规模RL训练的稳定性与效率，目前已被超过20支团队用于MoE模型的强化学习训练。

2025–2026年，推理能力、工具使用、自主代理（Agent）能力的竞争全面升级，每一步进步都离不开一套能扛住超大规模分布式RL的系统。业内观察者指出，大模型团队最深的痛点并非某一单点优化，而是从训练到RL再到线上推理这条完整链路上的边界摩擦——每一段单独看都接近最优，拼合在一起却效率陡降。Miles与SGLang的组合，正是要填平这一效率缺口。

新模型Day-0支持能力是Infra团队工程实力的试金石。2025年4月25日，架构复杂的DeepSeek-V4发布当天，SGLang和Miles便同时实现了对V4推理和RL训练的支持。这背后是一系列系统级优化：专为混合注意力设计的ShadowRadix前缀缓存、单次芯片内完成压缩的Flash Compressor、将Top-K延迟压缩至15微秒的Lightning TopK，以及打通从FP8推理到BF16训练完整RL管线的高效链路。

巨头集体入局背后的深层逻辑

NVIDIA、AMD、联发科、Broadcom、Intel——五家核心硬件厂商同时出现在种子轮投资人名单上，在行业内几乎无法想象。硬件厂商比任何人都清楚，当下算力依然昂贵且稀缺，仅靠堆叠芯片无法持续。一个真正硬件解耦、能在异构平台上将芯片性能压榨到极限的开源推理系统，正是它们最迫切需要的生态拼图。

Databricks、PyTorch缔造者及来自OpenAI、Thinking Machines Lab、xAI的关键人物同时下注，则代表了模型与系统层对“训练-推理一体化基础设施”的强烈期待。天使阵容中的每一个名字，都带着一个极度精准的行业视角：

• 陈立武，Intel CEO，半导体行业数十年深耕的泰斗级人物；
• John Schulman，OpenAI前联合创始人，强化学习奠基人之一；
• Soumith Chintala，PyTorch联合创始人，全球深度学习框架的守门人；
• Igor Babuschkin，xAI前联合创始人，亲手搭建过业界最复杂的训练系统与硬件平台；
• Lilian Weng，Thinking Machines Lab联合创始人，对AI系统工业级落地拥有最一线的洞察。

这些在任何场合都能独当一面的人集体出现在同一张cap table上，是对RadixArk未来最直白的认可。

让AI基础设施成为公共品

RadixArk的愿景可以用一句话概括：让AI基础设施像电力一样普及、可靠、不被任何人垄断。这一理想正在从宣言变为工程现实。

三年前，一个做LLM推理优化的博士生面前通常只有两个选项：要么使用按token计费、内部结构黑箱的OpenAI API，要么面对只支持单卡运行的古早开源代码，离真实的分布式场景隔着数年工程量。SGLang打破了这种二选一——工业级吞吐量、代码完全开放，已成为斯坦福、伯克利、CMU、UW等系统研究组的默认基线。对Agent研究者而言，RadixAttention的prefix cache将共享前缀组织为树状结构，相同的KV只计算一次，原来需要两天的实验半天就能完成，推理优化论文中引用SGLang几乎成了标准动作。

一群离开大厂的工程师，带着对某个垂直场景的深刻洞见出来创业，没有百万美元算力预算，没有专门的Infra团队。过去，搭建生产级推理管线、维护跨硬件兼容性的工程重负，常常超出初创公司的承受上限。如今，他们可以直接站在SGLang之上拉起逼近前沿性能的推理服务，用Miles训练专属模型——基础设施不再成为瓶颈，省下的时间与资金可以全部投入到真正想创造的产品上。

即便是拥有世界最强内部Infra的Google、Microsoft、NVIDIA，也相继出现在SGLang的用户列表中。答案藏在RadixArk的投资人结构里：硬件厂商比任何人都明白，一个硬件无关、不被任何竞争对手锁定的开源推理系统对整个生态的战略价值。使用一个由社区共同维护、多家硬件厂商共同支持的开源系统，本身就是更高维度的基础设施布局。

RadixArk官方表述锋利而克制：“下一代AI不应该被对私有基础设施的访问权所限制。更多团队应该能够拥有自己的模型、自己的系统、自己的未来。”

这1亿美元融资，正是要将这句话变成工程事实：让SGLang成为任何新模型的Day-0生产标准；把Miles做成大规模训练与RL的基础设施级框架；然后，在开源内核之上，建一套不锁定模型、不绑架客户、却提供顶级基础设施能力的托管平台。

如果说2023年的Anthropic、2024年的Mistral、2025年的Thinking Machines Lab各自代表了AI模型层的一次方向性下注，那么2026年的RadixArk押注的东西更为底层和漫长：让前沿AI的建设权，真正回到足够多的人手中。