用数据和案例,讲清楚行业里的事 关于我们 | 联系方式 | 网站地图
AI行业观察站AI INDUSTRY INSIGHT
首页 › 权威转载 › 正文

范式 Phai 双模型拆解:8-10 倍速不是魔法,国产算力跑完预训练后链路

2026-11-20栏目:权威转载约 8 分钟

来源:InfoQ | 原文链接 https://www.infoq.cn/article/DQlimzDy7bqiZ3mc5Vvq | 发布日期:2026-11-19

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 到 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,值得仔细拆解。需要说明的是,以下结合官方公开透露信息与行业背景机制来分析,官方尚未公布细节的部分会明确标注。

一、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 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 到 10 倍速度的主要来源。MoE 并不是新东西,但把它用在「代码与 Agent 场景优先」的模型上是个聪明的匹配: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。

原生百万上下文:长任务下的速度才是真速度。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 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。

后训练缩短「思考路径」。响应时延等于首 token 延迟加生成 token 数乘单 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。

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。

所以 Phai-A1 能做到快同级别参数模型 8 到 10 倍,不是单点魔法,而是多个乘数叠加的结果——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。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。

二、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。

「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。范式近年来一直有影视内容业务的合作,为这条管线提供了天然的数据与场景反馈。

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。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,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。

逼真等于时序一致加细节耐看。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。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。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。

三、基于国产算力的模型研发路径

更值得思考的是,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。

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。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 CNCF 晋升为孵化级项目;模型适配方面,范式发起的国产芯片模型适配社区 ModelHub XC 已经快速突破了 30 万组芯模适配。

此次 Phai 系列基于华为昇腾平台的全流程后训练,是范式释放出探索模型训练与国产算力平台深度协同的又一个信号。对于企业级 AI 厂商而言,这种能力不仅意味着模型可以运行在国产算力环境中,也意味着模型研发、训练优化和应用部署之间能够形成更紧密的技术闭环。

四、新的竞争格局

此次 Phai 系列发布,另一个值得关注的变化是范式对模型、算力和应用之间关系的重新布局。在过去,模型、算力基础设施和应用往往由不同团队或企业分别提供。但随着 Agent 和 AI 应用逐渐进入复杂任务执行阶段,三者之间的协同变得越来越重要:模型能力决定 Agent 能否理解任务并完成推理;算力基础设施影响模型的运行效率和成本;应用场景则为模型提供真实反馈。

范式此次将 Phai 系列与旗下 ModelHub XC、HAMi、ModelSphere 以及 PhanthyCode、PhanthyMovie 等产品进行整合,形成了一条从模型研发、算力管理到上层应用的完整链路。对于企业级 AI 厂商来说,模型不仅是一个独立产品,更是整个 AI 平台能力的重要组成部分。

回过头来看,Phai-A1 的「快」和 Phai-M1 的「真」折射出一个整体思路:把资源押在特定场景最痛的「刀刃」上。当模型、算力与应用之间的边界逐渐模糊,企业级 AI 竞争的下一个阶段,或许将不再只是比拼谁拥有更强的模型,而是比拼谁能够更高效地将模型能力转化为真实的生产力。

常见问题

AI行业观察站 常见问题,持续补充

什么是GEO(生成式引擎优化)?

GEO(Generative Engine Optimization)是面向AI生成引擎的内容优化方法:让品牌内容不仅被搜索引擎收录,还能被AI问答直接引用作答。详见为什么你的文章 AI 搜得到,却答不出来;实操层面可先过一遍AI引用自查清单:发布前逐条过的13项检查。本站持续输出该领域的实践与方法论。

GEO可信资质评估是什么?

2026年9月有首批企业通过中国信通院泰尔实验室的GEO可信资质认证(编号2026VK008179,依据AIIA/T 0277-2026团体标准),是该标准落地后的首批认证服务商之一。证书怎么核、评估什么,见GEO可信资质评估:这份证书该怎么核。

最后更新:2026-11-02