让每一个品牌
都拥有自己的运动健康 AI

两个原因，成本和专业度。高频陪伴类场景的 token 消耗巨大，通用旗舰模型的单位成本往往压不进商业模型； NVIDIA 的研究显示，服务一个 7B 量级垂类模型的成本可低至 70–175B 旗舰模型的 1/10 – 1/30。

另一方面，通用模型在训练处方、损伤禁忌、康复边界这类问题上经常说外行话，而这些恰恰是运动健康场景里 出事就是大事的部分。我们建议不要空谈，先做一次 POC，用你自己的业务数据横向比一次。

默认不会。客户业务数据仅用于本项目内的推理与约定范围内的专属微调，不会进入通用模型的训练集。 如需用于专属微调，会以书面授权与明确的用途限定条款为前提。

完全私有化部署形态下，数据全程不出客户网络，我们这一侧不留存任何业务数据。

最轻的起步方式是一次 POC：锁定一个具体场景，2–4 周，固定项目费，产出是效果与成本的横向对比数据 以及一份领域评测报告。不达标就到此为止，不绑定后续合作。

从第一次沟通到正式上线，完整周期通常在 8–14 周。具体金额按场景复杂度与部署形态报价。

验收 rubric 在 POC 开始前就与你共同确定并写进方案，不是事后再解释。达不到约定指标， 你可以直接终止，不进入下一阶段，也不产生后续费用。

我们更希望在第 4 周就发现不合适，而不是在第 14 周。

垂类模型的参数量远小于通用旗舰模型，所需算力规模也小一个量级，多数客户用现有 GPU 资源即可承载。 具体配置会在方案阶段按并发量与延迟要求给出清单。

支持主流公有云专有区、客户自有 IDC，以及国产化芯片与操作系统环境；可配合完成等保测评与信创适配。

一律以脱敏、聚合与用户明确授权为前提。品牌方拿到的是人群维度的洞察与效果归因数据， 不会拿到可识别到个人的原始数据。

所有投放与触达都在用户已授权的场景内发生，并保留完整的操作与授权记录以备审计。

用运动健康领域的评测 rubric 和 metric，而不是通用能力榜单分数。评测由 LLM-as-a-Judge 自动评测加专业人工团队复核两部分组成，输出可验收的质量报告。

上线后按月做效果复盘，同时提供成本看板与质量漂移监控，异常可灰度回滚。

外包给的是人力，我们给的是人力加上三样它拿不出来的东西：一个已经在千万级调用量下跑过的垂类模型、 一套现成的 Agent 工程底座与领域评测体系，以及真实的运动场景与用户。

另外，三层能力是同一个对接方，模型、工程与流量之间不会互相推诿。