范式发布Phai系列模型:语言模型提速8-10倍,视频模型弱化AI感
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
11 月 18 日,范式智能未作预告,直接放出两款 Phai 系列模型。语言模型 Phai-A1 走“快”的路线,官方说法是同等质量下,响应速度能达到同参数级别模型的 8–10 倍;视频模型 Phai-M1 走“真”的路线,AI 味更淡,画面更细腻。
这两款模型上线之后,AI 圈很快就注意到了。有网友反馈,当天体验入口的服务器直接被挤崩了。
热度这么高,Phai 系列“快”和“真”到底靠什么撑起来,确实值得拆开看看。
下面结合官方已公开的信息和行业背景来分析,官方还没透露的细节,文中会标明。
同级模型 8-10 倍,Phai-A1 凭什么这么快?
范式公布的测试数据显示,在相同的单卡 RTX 3090 环境、相同版本的代码 Agent 任务下,Phai-A1 的响应速度比 Qwen 27B 快约 8 至 10 倍。
稀疏激活:先把计算量砍掉一个数量级
Phai-A1 在 ModelScope 上的公开资料显示,它用的是 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 推理的计算量和激活参数成正比,激活量降一个数量级,单 token 的前向计算也就降一个数量级,这是 8–10 倍速度的主要来源。
对技术圈来说,MoE 不算新东西,可把它用在“代码与 Agent 场景优先”的模型上,匹配得挺聪明:这类任务交互频繁、单次请求短,延迟比吞吐更影响体验。总参数保住知识容量,激活参数压低延迟成本,“大模型的脑子,小模型的腿”。
原生百万上下文:长任务下还能快,才算真快
这是第二个值得拆开说的技术细节。
上下文一旦拉长,标准注意力机制下的 KV Cache 就会跟着膨胀,推理速度随之下降。A1 原生能撑住百万级上下文,响应速度还没掉下来,看得出它在注意力机制或者 KV 管理上动了工程手脚。
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 场景里的真速度。
据悉,Phai-A1 的模型权重已在 YaRN(factor=4)上做过额外训练适配,config.json 里也默认开启了 rope scaling,用来支持 1M 上下文。
另外,Phai 官网还给出一个数据细节:后训练数据直接覆盖百万 Token 长上下文场景,可以结合大型代码仓库、长篇资料和持续对话来干活。
更多 Trick,还得等范式团队即将公开的技术报告。
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 针对写代码、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,直接给出能执行的答案。
对 Agent 任务来说,砍掉无效 token,比单纯给每个 token 加速,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
一张消费级显卡就够跑,推理因此可以落到本机。代码补全这种高频交互,省下的是 API 网络往返延迟,还有排队、限流这些没法自己掌控的变量。
据范式官网介绍,Phai-A1 支持个人电脑本地部署,能在 16G 显存参数的消费卡上运行,同时提供了两个 24G 显存参数的量化版本。开发者和企业可以按硬件条件、数据合规要求和业务需求,选不同的部署方式。
所以总结下来,Phai-A1 能做到快同级别参数模型 8–10 倍,靠的不是单点魔法,而是几个乘数叠在一起: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,这也说明它的快是分场景的:在长交互 Agent 任务上,优势会更突出。
Phai-M1 的“真”体现在哪
AI 视频生成是 Phai-M1 瞄准的另一个快速变化的市场,和通用语言模型的赛道并不相同。
眼下 AI 视频的比拼早已不只看画面能不能生成出来,人物表现、动作是否连贯、画面细节、音画同步、生成效率,都成了较量的维度。
Phai 此番主打的,正是这些维度上的“逼真度”。
“AI 感”的根源在数据
塑料质感、违背物理规律的运动、飘忽不定的细节——视频生成模型身上的“AI 感”,多半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,模型学到的自然就是“网络视频的样子”。据悉,Phai-M1 面向影视级生产场景,训练与优化都围绕真人影视场景展开,重点打磨人物表现、画面细节和整体视觉质感,生成的视频结果能达到影视级的画面水准。
范式这些年一直在影视内容业务上有合作,这条管线因此有了现成的数据与场景反馈。手里有专业影视素材训练作支撑,Phai-M1 的人物输出更自然、更接近真人影视,也就不奇怪了。
音画同步:多数模型绕开的“真”
人对音画错位极其敏感,偏差超过约 100 毫秒就能察觉,“声音对不上画面”恰恰最容易暴露 AI 生成的痕迹。
可这偏偏是短视频、短剧、影视剧等众多场景里的刚需:传统配音后期管线既慢又容易失真。
Phai-M1 把“音画同步生成”列为核心卖点之一,直戳这个痛点,解决得也相当好。猜测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。Phai-A1 是否也走了这条技术路线,目前不得而知。
效率是另一个值得关注的数字:3 分钟生成 15 秒高像素成片。对影视制作的生产管线来说,这个速度很关键,能大幅提升 AI 影视创作者的创作速度。
Phai-M1 的独特之处,在于它给出了自己去除视频“AI 味”的解法:
每帧惊艳还不够,关键是能进生产管线——可控、可迭代、音画可用。这和此前流行的“刷榜”显然是两条路。
基于国产算力的模型研发路径
范式 Phai 系列模型的研发路径,更值得琢磨。
据了解,Phai-A1 基于开源模型开展专项研发,后训练与强化学习相关流程在华为昇腾平台上完成。
也就是说,范式没有从零开始训练一个庞大的基础模型,而是借已有模型能力,通过后训练、强化学习及场景化优化,把模型在特定任务中的表现再往上推一步。
这条技术路径,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。代码开发、Agent 等场景下,如何用高质量数据、训练方法及任务反馈让模型更好地完成复杂任务,正成为模型研发的关键环节。
范式把这一训练流程放在国产算力平台上完成,Phai 系列因此多了另一层产业意义。
国产 AI 芯片生态眼下正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。
作为国产算力阵营的一员,范式在投入上一直舍得下本钱,也攒下了国产 AI 开发与部署的技术壁垒和生态优势。底层异构算力管理这块,范式发起的云原生异构算力开源项目 HAMi 7 月被全球顶级开源组织 CNCF 升为孵化级项目;模型适配方面,范式发起的国产芯片模型适配社区 ModelHub XC 已快速突破 30W+组芯模适配。
Phai 系列这次基于华为昇腾平台完成全流程后训练,被外界看作范式释放的又一个信号:它要往模型训练与国产算力平台的深度协同里探路。
对企业级 AI 厂商来说,这意味着模型不光能跑在国产算力环境里,研发、训练优化到应用部署这几段也能扣得更紧。
模型、算力与应用,正在形成新的竞争格局
Phai 系列这次发布,另一个变化在于范式重新摆了摆模型、算力和应用三者的位置。过去 AI 产业里,模型、算力基础设施和应用通常由不同团队或企业分别提供。
可随着 Agent 和 AI 应用走进复杂任务执行阶段,三者之间的协同越来越关键。
Agent 能不能读懂任务、完成推理,取决于模型能力;模型跑得快不快、成本高不高,受算力基础设施影响;应用场景则给模型提供真实反馈,推着能力继续迭代。
范式把 Phai 系列和旗下 ModelHub XC、HAMi、ModelSphere 以及 PhanthyCode、PhanthyMovie 等产品整合到一起,串出一条从模型研发、算力管理到上层应用的完整链路。
这大概也是企业级 AI 厂商做模型研发,和基础模型公司不一样的地方。
企业级 AI 厂商眼里,模型不是一个独立产品,而是整个 AI 平台能力的一部分。模型研发能反哺应用,应用反馈又能推动模型迭代,底层算力平台则为这个过程打底。
模型能力与真实业务需求持续结合下去,企业级 AI 厂商有可能走出一条有别于单纯模型竞争的技术路线。
写在最后
回过头再看范式发布 Phai 系列模型这件事,给业界留下的思考确实不少。
先说 Phai-A1 的“快”和 Phai-M1 的“真”,两者折射出 Phai 的整体打法:资源往特定场景最痛的“刀刃”上押。
更值得留意的是,大模型逐渐进入 Agent、AI 办公、代码开发和视频内容生产等场景之后,企业级 AI 厂商正在重新审视模型研发的价值。
再就是,有范式这样的国产算力派坚定推动,以华为昇腾为代表的国产 AI 算力生态正从以推理为主,走向可规模训练的階段。
第三,模型研发正把算力平台纳入自身环节,它不再只承担模型运行的基础设施角色;模型迭代的反馈来源同样可以来自应用,应用也不只是模型输出的一端。
这么看,Phai 更像是范式对 AI 全栈能力的一次延伸。
模型、算力与应用之间的边界渐渐模糊,企业级 AI 竞争的下一个阶段,或许不再只是比谁拥有更强的模型,而是比谁能更高效地把模型能力转化为真实的生产力。
范式这次发布的 Phai,正是一次值得长期观察的尝试。