首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于

快与真:范式首批国产算力训练的Phai系列模型,究竟有什么不同

2026-11-19 1 阅读 约10分钟阅读 作者:杨过
分享:
字号:
11 月 18 日,范式智能无预告发布了自己的两款 Phai 系列模型:语言模型 Phai-A1 主打“快”,官方口径是同等质量下响应速度比同参数级别模型快 8–10 倍;视频模型 Phai-M1 主打“真”,即 AI 感更弱、画风细腻。 两款模型上线后,很快引起了 AI 圈的关注。部分网友甚至反应当天体验入口的服务器都崩掉了。 如此火爆的反响之下,这两款模型的“快”和“真”的背后,很值得我们仔细拆解一番。 本文结合官方公开透露信息与行业背景机制来进行分析——官方尚未公布细节的部分,文中会明确标注。 1 快同级别模型 8-10 倍,Phai-A1 为什么可以? 根据范式公布的测试数据,在相同单卡 RTX 3090 运行环境、相同版本代码 Agent 任务下,Phai-A1 响应速度较 Qwen 27B 提升约 8 至 10 倍。 稀疏激活:计算量先降一个数量级 Phai-A1 在 ModelScope 上的公开资料显示,它采用了 MoE(混合专家)架构:总参数 350 亿,但每个 token 只激活约 30 亿参数。Transformer 推理的计算量与激活参数成正比,激活量降一个数量级,单 token 的前向计算就降一个数量级——这是 8–10 倍速度的主要来源。 对于技术圈而言,MoE 并不是新东西,但把它用在“代码与 Agent 场景优先”的模型上,不得不说是个聪明的匹配:这类任务交互频繁、单次请求短,延迟比吞吐更影响体验。总参数保住了知识容量,激活参数压低了延迟成本——“大模型的脑子,小模型的腿”。 原生百万上下文:长任务下的速度才是真速度 这是第二个值得注意的技术细节。 要知道,标准注意力机制下,上下文越长,KV Cache 越大,推理越慢。A1 原生支持百万级上下文仍能保持响应速度,这意味着它在注意力机制或 KV 管理上必然做了工程处理。 这一点常被忽略:单 token 快不算快,长任务跑到第 50 万 token 还不崩、不拖,才是 Agent 场景的真速度。 据悉,Phai-A1 的模型权重已在 YaRN(factor=4)进行过额外训练适配,并且在 config.json 中已经默认开启 rope scaling 以支持 1M 上下文。 此外,Phai 官网给出了一个数据方面的细节:后训练数据直接覆盖百万 Token 长上下文场景,可结合大型代码仓库、长篇资料和持续对话开展工作。 更多的 Trick,还是等等范式团队即将公开的技术报告吧。 后训练缩短“思考路径” 响应时延 = 首 token 延迟 + 生成 token 数 × 单 token 速度。前两项取决于模型“想多久”:Phai-A1 面向写代码、修问题、工具调用、多步任务做了强化训练,目标之一就是少走弯路——不生成冗余推理步骤,直接给出可执行的答案。 对 Agent 任务来说,砍掉无效 token 比单纯加速每个 token 的体感提升更明显:任务完成时间被整体压缩。 部署位置前移:本地推理省掉整个网络 单张消费级显卡能跑,意味着推理可以发生在本机。对代码补全这类高频交互,省掉的不只是 API 的网络往返延迟,还有排队、限流这些不可控变量。 据范式官网介绍,Phai-A1 支持个人电脑本地部署,支持在 16G 显存参数的消费卡运行,并同步提供了两个 24G 显存参数的量化版本。这意味着开发者和企业可以根据硬件条件、数据合规要求及业务需求,选择不同的部署方式。 所以总结下,可以看出 Phai-A1 能做到快同级别参数模型 8–10 倍,一定不是单点魔法,而是多个乘数叠积的结果——激活参数降一个量级、原生百万上下文、后训练任务路径缩短、部署位置前移。 当然,这也意味着它的快是场景化的:在长交互 Agent 任务上,优势会更加突出。 2 Phai-M1 为什么真 相比通用语言模型,Phai-M1 面向的是另一个正在快速变化的市场——AI 视频生成。 目前 AI 视频的竞争已经从单纯生成画面,逐渐转向人物表现、动作连贯性、画面细节、音画同步以及生成效率等多个维度。 Phai 这次主打在这些维度上的“逼真度”。 “AI 感”首先是数据问题 视频生成模型的“AI 感”——塑料质感、物理不合理的运动、飘忽的细节——大部分来自训练数据的分布。网络视频素材分辨率参差、镜头语言随意,模型学到的就是“网络视频的样子”。据悉,Phai-M1 面向影视级生产场景,围绕真人影视场景进行训练与优化,重点提升人物表现、画面细节和整体视觉质感,生成视频结果可达到影视级的画面水准。 不难发现,范式近年来一直有着影视内容业务的合作,这无疑为这条管线提供了天然的数据与场景反馈。有自身的专业影视素材训练做支撑,也就不难理解为何 Phai-M1 的人物输出更加自然、更接近真人影视了。 音画同步:被大多数模型跳过的“真” 人对音画错位极其敏感,偏差超过约 100 毫秒就能察觉,而恰恰是“声音对不上画面”最容易暴露 AI 生成痕迹。 然而,这也是短视频、短剧、影视剧等众多场景里的刚需问题:配音后期的传统管线既慢又容易失真。 Phai-M1 把“音画同步生成”作为核心卖点之一,可以说是直戳这个痛点,并且解决的很好,猜测背后它在生成侧对音频与画面做了联合建模或严格对齐训练。 逼真 = 时序一致 + 细节耐看 单帧好看不难,难的是几十秒内光影连续、角色一致、微表情自然。行业通行做法是时空联合建模加细粒度运动控制。这一点不知道 Phai-A1 是否也采用了这样的技术路线。 另一个值得注意的数字是效率:3 分钟生成 15 秒高像素成片,这个速度对于影视制作的生产管线尤为重要,可以很大程度上提升 AI 影视创作者的创作速度。 可以看出,Phai-M1 的独特之处在于,给出了自己对于去除视频“AI 味”的解法: 每帧惊艳还不够,重要的是能进生产管线——可控、可迭代、音画可用。这和此前流行的“刷榜”无疑是两条路。 3 基于国产算力的模型研发路径 更值得思考的是,是范式 Phai 系列模型的研发路径。 据了解,Phai-A1 基于开源模型开展专项研发,并在华为昇腾平台完成后训练与强化学习相关流程。 这意味着,范式并没有选择从零开始训练一个庞大的基础模型,而是基于已有模型能力,通过后训练、强化学习及场景化优化,进一步提升模型在特定任务中的表现。 这一技术路径正在成为大模型产业的重要方向。 基础模型提供通用能力,后训练则围绕目标任务进一步优化模型的行为、能力和效率。对于代码开发、Agent 等场景而言,如何通过高质量数据、训练方法及任务反馈,让模型更好地完成复杂任务,正在成为模型研发的关键环节。 与此同时,范式将这一训练流程放在国产算力平台上完成,也让 Phai 系列具备了另一层产业意义。 当前国产 AI 芯片生态正在从推理部署逐步向模型训练环节延伸。模型厂商、芯片厂商和开发者社区之间的协同,成为推动国产算力生态完善的重要力量。 作为国产算力派,范式一直在做着真金白银的投入,积累了深厚的国产 AI 开发与部署的技术壁垒和生态优势。底层异构算力管理方面,源于范式的云原生异构算力开源项目 HAMi 已于 7 月被全球顶级开源组织 CNCF 晋升为孵化级项目,模型适配方面,范式发起的国
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱