暴涨 147%！摩尔线程终于等来了这一刻。。

2026年8月10日，摩尔线程披露了登陆科创板后的首份半年报。

报告期内，公司营业收入17.36亿元，同比增长147.42%，仅半年就跨过了2025年全年的收入规模；归属于上市公司股东的净亏损从上年同期的2.71亿元收窄至1156.31万元，整体毛利率为56.95%。

对于一家仍处于高强度研发阶段的国产GPU企业而言，这组数据具有明显的转折意义。它说明摩尔线程正在从长期投入期走向商业化兑现期，产品销售带来的规模效应也开始反映到财务表现中。

而这组数字背后，是摩尔线程在产品、集群和软件生态上的能力积累开始集中释放。GPU企业的商业化并不只是卖出更多芯片。硬件性能、软件工具、模型适配、集群能力和开发者生态，需要共同组成一套能够被客户部署和持续使用的计算平台。

摩尔线程上半年的财务改善，正是这套技术和生态体系开始形成商业回报的结果。

17.36亿元背后，核心产品进入规模交付

摩尔线程上半年收入增长的重要支撑，来自以MTT S5000为代表的智算产品，以及基于相关产品构建的夸娥智算集群加速商业化。

MTT S5000基于摩尔线程第四代MUSA架构“平湖”打造，面向大模型训练、推理和高性能计算场景。按照公司已披露的产品信息，这款卡的单卡显存为80GB，显存带宽1.6TB/s，卡间互联带宽784GB/s，AI稠密算力最高可达1000TFLOPS，精度覆盖FP8至FP64。

这些参数所对应的，并不是单一推理或图形渲染场景，而是训练、推理和高性能计算等多种负载。

在大模型场景中，单项峰值算力并不能决定一款GPU能否真正进入数据中心。模型参数量不断增加后，显存容量、显存带宽、多卡通信效率和软件调度能力都会影响最终运行效果。

80GB显存可以为更大规模的模型和数据提供空间，1.6TB/s 的带宽保证数据被高效送入计算单元，784GB/s 的卡间互联支撑多卡与集群扩展。这几项能力相互配合，单卡算力才能在真实的训练和推理负载中完整释放出来。在实测中，MTT S5000 集群从 64 卡扩展到 1024 卡，线性扩展效率保持在 90% 以上。

参数之外，更能说明问题的，是产品已经实现了稳定生产和规模交付。

目前，基于MTT S5000的智算集群已经在北京、无锡、杭州等地完成项目交付。这些集群已经进入智算中心和客户的实际业务环境，承担日常生产任务。

与规模交付同步的是资质层面的突破。2026年5月，MTT S5000 所搭载的 PH100 芯片首批通过中国信息安全测评中心与国家保密科技测评中心的《安全可靠测评》（2026年第2号公告），这也是安全可靠测评体系建立以来首次将 AI 训练推理芯片纳入评测结果。在政企、国资智算中心等对安全合规要求更高的市场，这一资质往往是进入招投标的前置条件，也为 MTT S5000 打开了更大的市场空间。

从半年报结果看，摩尔线程正在跑通一条相对清晰的商业化链路：产品性能和集群能力通过真实场景验证，场景落地带来客户采购，规模采购进一步转化为营业收入。

营收增长147.42%，说明摩尔线程的产品已经不只是“能够使用”，而是开始获得更大规模的市场选择。

从单卡到集群，GPU竞争走向系统能力

如果说MTT S5000解决的是核心计算能力问题，那么夸娥智算集群所验证的，则是摩尔线程能否将GPU扩展为一套完整的算力基础设施。

大模型训练通常需要大量GPU协同运行。随着集群规模扩大，计算卡之间的通信、任务调度、故障恢复和软件稳定性会变得更加复杂。单卡性能很强，并不意味着将数百张、数千张卡连接起来之后，仍然能够保持同样的计算效率。

根据摩尔线程披露的信息，基于MTT S5000构建的智算集群，训练线性扩展效率达到95%；配合可实现故障在线诊断与快速恢复的万卡训练容错系统，集群支持断点续训，有效训练时长占比超过90%。这些能力直接关系到智算集群能否长期、稳定地承担生产任务。

落地案例上，摩尔线程与合作伙伴在夸娥万卡集群上，从零起步完整训练出语料超25万亿Token的MoE-236B基础大模型；北京大学EvoPhys团队的5D世界模型EvoPhys-World，也在MTT S5000上完成全栈原生训练。此外，公司自研并已开源的代码大模型MusaCoder，其完整后训练流程同样跑在基于S5000构建的夸娥集群上。此外，北京智源人工智能研究院自研的具身大脑模型 RoboBrain 2.5，也在 MTT S5000 千卡智算集群上完成了全流程训练与对齐验证，训练 Loss 曲线与国际主流产品基线高度一致，相对误差小于 0.62%。

这些案例的价值，不只在于完成了某一次模型训练，而在于验证国产GPU能否承接更复杂的计算任务的能力：不仅能训练大语言模型，也能够支撑科学计算、世界模型和具身智能模型等更前沿的方向。

从一张计算卡到一套智算集群，摩尔线程需要解决的已经不只是芯片设计问题，还包括服务器系统、集群互联、任务调度、训练框架、算子优化和故障恢复等系统工程问题。

这也解释了为什么摩尔线程一直强调“全功能GPU”。

全功能GPU的价值并不只是让一颗芯片同时支持AI计算、图形渲染、视频编解码和科学计算，而是尝试以统一架构覆盖更多计算场景。对于客户而言，这种路线有机会降低不同计算任务之间的迁移和适配成本；对于摩尔线程而言，则意味着公司需要同时建设硬件、软件和系统能力。

当夸娥集群开始进入实际项目，摩尔线程销售的已经不只是一张GPU板卡，而是一套包含芯片、服务器、集群和软件工具的智算底座。

这也是其商业价值能够进一步扩大的关键。

软件生态决定技术能否持续转化

GPU行业最难建立的壁垒，往往不只在芯片本身。

一款GPU可以依靠硬件参数获得市场关注，但要进入客户的生产环境，还需要兼容主流开发框架、模型工具和应用软件。开发者能否顺利迁移现有代码，模型能否快速完成适配，最终会影响客户是否愿意采购和长期使用。

围绕自研MUSA架构，摩尔线程正在建设从底层驱动、编译工具、高性能算子库到训练和推理框架的完整软件体系。目前，MTT S5000已经适配PyTorch、Megatron-LM、vLLM、SGLang等主流AI工具和框架。

在国产大模型快速迭代的背景下，模型适配速度也成为衡量GPU生态成熟度的重要指标。

摩尔线程近期完成了Kimi K3、MiniMax H3等模型的快速适配，打通从SGLang-MUSA推理框架到MATE、muDNN、Triton MUSA和TileLang MUSA等工具与算子库的适配路径。

连续完成新模型适配，说明MUSA软件体系不再只能支持已经成熟的模型，而是开始具备跟随模型架构快速变化的能力。对于客户来说，这种能力意味着新模型发布后，现有硬件平台可以更快完成部署，降低重复开发和迁移成本。

更关键的是生态迁移成本。MUSA 的编程模型与编程接口对 CUDA 保持高度兼容，配合摩尔线程自研的 MUSIFY 代码转换工具，开发者可以直接复用既有代码与开发经验，原本需要数周的适配工作可以缩短至数小时。对于长期使用国际主流生态的客户来说，这意味着切换算力平台不必推倒重来。

在"能不能部署"之上，摩尔线程还在围绕吞吐量、时延、显存利用率以及大规模多卡环境下的稳定性做持续调优，把适配能力进一步转化为稳定、高效、可复制的部署能力。这也是 MUSA 生态从"跑得通"走向"跑得好"的关键一步。

生态建设也不会停留在现有产品上。

在MTT S5000进入规模商业化的同时，摩尔线程仍在推进“华山”“庐山”及新一代推理芯片等研发项目。其中，“华山”面向高性能AI训练和推理，“庐山”兼顾复杂图形渲染与大模型推理。不同产品线将继续扩展摩尔线程在数据中心、专业图形和推理场景中的覆盖能力。

2026年上半年，摩尔线程研发投入达到7.69亿元，同比增长38.16%。这表明公司并没有因为现有产品开始放量而降低研发强度，而是在通过新产品延续硬件和生态的迭代。

从MTT S5000到夸娥智算集群，再到MUSA软件体系和下一代芯片，摩尔线程正在尝试形成一条完整的技术商业化路径：芯片提供计算能力，集群承接规模任务，软件降低使用门槛，生态推动更多客户和开发者进入，商业收入再反过来支持下一轮研发。

17.36亿元营收和大幅收窄的亏损，是这套体系开始运转的结果，但不是终点。

摩尔线程下一阶段的看点，在于规模交付的持续性、软件生态的黏性积累，以及下一代芯片的接续节奏——这套体系已经开始运转，接下来是把它做厚。

国产GPU的竞争正在从单项参数比拼，进入硬件、软件、集群和生态协同发展的阶段。

对于摩尔线程而言，半年报中最值得关注的变化，也并不只是营收翻倍，而是技术能力正在通过产品、集群和生态，逐步转化为可以持续增长的商业能力。