AI 最新动态 15 分钟阅读

3090 上比 27B 快 8 到 10 倍、原生百万上下文:范式智能一次发两款模型,把「国产算力 + 本地部署」跑通了

2026 年 11 月 18 日,范式智能技术集团发布 Phai 系列两款自研模型:通用语言模型 Phai-A1 与视频生成模型 Phai-M1,均支持原生百万级上下文,并完成昇腾平台全流程国产算力训练优化。官方测试显示,同等 RTX 3090 单卡环境下 Phai-A1 响应较 Qwen 27B 快约 8 至 10 倍,可本地部署。本文拆解它对中小企业私有化 AI 的真实意义与选型要点。

# 范式智能# Phai-A1# Phai-M1# 国产算力# 昇腾# 百万上下文# 本地部署
中国工程师在国产算力服务器机房检查大模型训练与推理集群
Phai 系列一次发布的模型数量(语言 + 视频)
2 款
同等 3090 单卡下 Phai-A1 相对 Qwen 27B 的响应速度
8–10 倍
原生支持的上下文 token 级别
100 万
昇腾平台国产算力训练优化覆盖度
全流程

要点速览

2026 年 11 月 18 日,范式智能技术集团发布 Phai 系列两款自研模型:通用语言模型 Phai-A1 与视频生成模型 Phai-M1。

Phai-A1 面向代码开发、智能助手等场景,支持原生百万级 token 上下文,可在个人电脑本地部署。

官方测试显示,同等单卡 RTX 3090 环境下 Phai-A1 响应较 Qwen 27B 提升约 8 至 10 倍。

Phai-A1 在 SWE-Bench-Verified、Pro、Multilingual 等多项软件工程评测中表现良好。

Phai-M1 针对真人影视场景训练优化,重点改善人物呈现、画面细节与音画协同。

两款模型均完成昇腾平台全流程国产算力训练优化,强调算力、模型、应用协同。

「国产算力 + 可本地部署 + 低门槛推理」组合,为中小企业私有化 AI 提供了新选项。

黄鹂鸟视角:本地模型要真正落地,仍需配套数据治理、权限审计与运维监控。

本期三大主角

语言模型、视频模型、落地底座——跑通国产算力需要三层能力协同

Phai-A1

范式智能 · 通用语言模型 · 百万上下文,本地可部署

  • 原生百万级 token 上下文
  • 3090 单卡较 27B 快 8–10 倍
  • 多项 SWE-Bench 评测表现良好

Phai-M1

范式智能 · 视频生成模型 · 面向真人影视场景优化

  • 改善人物呈现与画面细节
  • 强化音画协同
  • 面向内容创作场景

企业大模型应用平台

黄鹂鸟科技 · 让本地模型跑进真实业务

  • 私有化部署与数据不出域
  • 权限审计与知识库管理
  • 推理运维与成本监控

本期发布时间线

从 LongCat-2.5 到 Phai 系列,国产算力正在把「自主可控」从口号变成默认选项

  1. 2026 年 11 月 2 日

    美团 LongCat-2.5 披露全流程国产算力训练,单卡吞吐较基线提升 86%

  2. 2026 年 11 月 16 日

    阿里 Qwen4-Max、腾讯混元 Hy4 Flash 相继发布,国产模型密集上新

  3. 2026 年 11 月 18 日

    范式智能发布 Phai-A1 与 Phai-M1,原生百万上下文、昇腾全流程训练

  4. 2026 年 11 月 18 日

    官方测试披露 Phai-A1 在 3090 单卡下较 Qwen 27B 快约 8 至 10 倍

  5. 2026 年 11 月 18 日

    范式创始人戴文渊阐述算力、模型与应用协同发展的技术布局

  6. 2026 年 11 月 19 日

    本文拆解其对中小企业私有化 AI 的真实意义与落地要点

港股公司下场做基模,范式这次给的不是PPT

11 月 18 日,范式智能技术集团(股票代码 6682.HK,原第四范式)正式发布 Phai 系列两款自研模型:通用语言模型 Phai-A1 与视频生成模型 Phai-M1。一家以决策类 AI 起家的公司下场做基础模型,本身就是一个值得留意的信号。

发布信息里有两个关键词特别实在:原生百万级上下文,以及昇腾平台全流程国产算力训练优化。前者指向能力边界,后者指向供应链自主。在一片「参数竞赛」的声量里,范式把重点放在了能不能真正跑起来、跑在什么硬件上。

创始人戴文渊的表述也呼应了这一点:AI 产业正从单一模型能力的竞争,走向算力、模型与应用协同发展的新阶段。翻译过来就是——光有强模型不够,得能把算力、模型和你自己的业务串成一条链。

对中小企业来说,这类发布的真正价值不在于又多了一个榜单选项,而在于它是否降低了私有化 AI 的门槛。我们下面就把 Phai 系列拆开,看看它对「用得起、跑得动、管得住」这三件事各自交出了什么答卷。

Phai-A1:把推理速度当成第一目标

Phai-A1 聚焦代码开发、智能助手等场景,核心优化方向是推理速度和长文本理解。官方测试给出的关键数字是:在同等单卡 RTX 3090 环境、相同代码智能体任务下,响应速度较 Qwen 27B 提升约 8 至 10 倍。

8 到 10 倍是个很夸张的数字,读的时候要注意它的限定条件——单卡、3090、特定任务。它证明的不是「Phai-A1 全面超越 27B」,而是「在资源受限的本地环境里,它有机会做到又快又够用」。这个区别很重要。

为什么推理速度值得拿来当第一目标?因为在真实的智能体应用里,一次任务往往要连续调用模型几十次。单次快一点,累积起来就是用户体验的质变:从「等得想关掉」变成「顺手就完成了」。

对预算有限的团队,速度还直接等于成本。同样一块显卡,跑得快意味着单位时间能服务更多请求,摊薄了硬件投入。这也是为什么「轻量化模型按需调度」会成为企业控制大模型调用成本的一条现实路径。

中国工程师在工作站前调试可本地部署的轻量化大模型
在单卡环境下把推理速度做上去,是本地模型能否落地的关键

百万上下文:能读完整个代码仓库意味着什么

Phai-A1 的另一个亮点是原生百万级 token 上下文窗口,后训练数据也覆盖了超长文本场景。官方称它可以读取完整代码仓库、长篇文档和海量资料,支撑长时间连续对话与复杂综合任务。

百万上下文的实际意义,是把「检索」和「理解」的边界往前推了一大步。过去处理一个大项目,你得先把代码切成片段、建索引、检索相关部分再喂给模型;上下文足够长之后,很多场景可以直接把整份材料交进去。

这对代码任务尤其有用。修一个跨模块的 bug,往往需要同时理解调用链、数据结构和测试用例。上下文不够时,模型只能看到局部;上下文足够时,它才有机会做出全局判断。SWE-Bench 系列评测表现良好,正是这种能力的侧面印证。

当然,长上下文不等于长记忆。模型能「读进去」不代表能「记准确」,中间部分被忽略的问题依然存在。工程上仍需配合检索、摘要与结构化整理,不能指望把一整个仓库丢进去就万事大吉。

Phai-M1:把视频生成对准真人影视

与语言模型同期发布的 Phai-M1 是视频生成模型,针对真人影视场景做了训练优化,重点改善人物呈现、画面细节和音画协同效果。这个定位相当克制——它没有去卷抽象的「视频 realism 分数」,而是明确指向内容创作的真实工作流。

真人影视是最难攻克的视频场景之一。人物面部、肢体动作、口型与声音的同步,任何一处出错都会立刻被观众察觉。把优化目标锁定在这几项,说明范式瞄准的是能进入生产流程的工具,而不是炫技的演示片段。

对中小企业和内容团队来说,这类模型的价值在于降低真人内容的制作成本。产品宣传、培训视频、电商素材这些高频刚需,过去依赖拍摄与后期,周期长、成本高;生成式工具如果能稳定达到可用质量,就有机会改写这部分预算结构。

需要提醒的是,涉及真人形象与声音的生成内容,务必注意肖像权、著作权与内容标识的合规要求。技术上能生成,不等于商业上可以随意使用,这一点在企业应用场景里尤其不能含糊。

中国内容团队在工作室中审阅 AI 生成的视频画面
面向真人影视场景的视频模型,重点在人物呈现与音画协同

全流程国产算力:从供应链约束里长出的能力

两款模型均完成昇腾平台全流程国产算力训练优化。在出口管制与算力供应不确定性持续的背景下,这条信息的分量不亚于模型本身的性能数字。

「全流程」意味着训练环节不依赖特定进口硬件,从底层算力到上层模型形成了自主可控的链路。对企业客户来说,这降低了未来因供应链变化而被迫迁移的风险——你今天部署的方案,明天还能继续跑。

国产算力近年来在软件生态、算子支持和框架适配上进步明显,越来越多团队开始跑通万亿参数或长程智能体训练。范式此次把语言与视频两类模型都放在国产平台上完成,是这条趋势的又一个注脚。

但也要客观看待:全流程国产算力解决的是「能不能自主」的问题,不等于「一定更快更便宜」。具体性能仍取决于硬件规模、调度效率和场景匹配,采购前需要用自己的负载做实测。

可本地部署:中小企业的机会与代价

Phai-A1 支持在个人电脑上本地部署,这是它对中小企业最有吸引力的一点。数据不出内网、无需按 token 付费、版本可以锁定——这三点正好对应了中小企业在 AI 落地时最常遇到的顾虑。

本地部署的第一层价值是数据可控。财务、客户、合同等敏感资料不必上传到第三方,合规压力小很多。第二层价值是成本可预测:一次硬件投入换来长期使用,对调用量大且稳定的场景尤其划算。

但机会背后有代价。本地模型要跑得稳,需要有人负责硬件维护、推理框架调优、版本升级和故障排查。这些工作不会因模型轻量而消失,只是从「按 token 付费」变成了「按人力付费」。没有运维能力的团队,反而可能负担更重。

所以选择本地还是云端,不该凭口号,而要看自己的真实条件:有没有稳定的调用量摊薄硬件成本,有没有人能承担日常运维,数据合规要求有多高。三个问题答清楚,选型自然就有了答案。

国产算力集群的机房设备与运维人员工作场景
从云端到本地,算力选择要回到调用量、运维能力与合规要求

本地部署不是零成本,它把按 token 付费换成了按人力付费——先看清自己的运维能力再决定。

面对密集上新,企业该怎么保持清醒

把 11 月这一周的发布连起来看——LongCat-2.5、Qwen4-Max、Hy4 Flash、Phai 系列——国产模型几乎隔天就有新动静。面对这种密度,企业最容易犯的错是追新:哪个榜首就换哪个,结果团队一直在迁移,没有一天在稳定交付。

更稳妥的做法是建立自己的评估节奏:每季度做一次集中评测,把当期候选模型放到自己的真实任务上跑一遍,只在收益明显时才切换。模型可以追,但架构要稳,别让底层跟着发布节奏来回晃。

评测时建议把三项放在同等重要的位置:能力是否够用、成本是否可算、数据是否安全。只比能力会忽视总拥有成本,只比成本会伤及质量,只谈安全又可能错过效率红利。三者平衡,才是可持续的选型。

对 Phai 这类强调本地与国产算力的模型,还可以多问一句:它的优势在我的场景里能不能兑现?如果你本就没有私有化需求,它的这些长处对你意义有限;如果数据合规是硬约束,那它可能正中下怀。

一张四步评估清单:本地模型到底适不适合你

把前面的分析收敛成一张可执行的清单,帮助企业判断本地模型是不是自己的正确选择。四步依次推进,每一步都能独立得出结论,不必等到全部做完才行动。

第一步看数据。列出准备交给模型处理的全部数据,标注其中的敏感等级与合规要求。如果大量数据明确不允许出域,本地部署就从「可选项」变成「必选项」,后面的评估才有意义。

第二步看负载。统计真实的调用量与峰值时段,估算一块显卡能否撑住。本地方案的 economics 高度依赖调用密度——量小了硬件闲置,量大了单卡不够,都会让账算不平。稳定的中等规模负载,通常最适合本地部署。

第三步看人,第四步看退路。要有人能承担模型升级、故障排查与性能调优,否则再好的模型也跑不稳;同时预设一条退路,当本地方案扛不住时能否平滑切到云端。把四步走完,你得到的不是一个跟风的决定,而是一份经得起追问的判断。

还有一点常被忽视:本地部署的硬件一旦采购,就形成了固定成本,而模型迭代很快。选型时要确认设备能支持后续模型的升级路径,避免刚买回来就面临淘汰。与其追求一步到位的最大配置,不如留出可扩展的余量,让硬件跟着需求长。

最后要提醒的是,评估不能只由技术部门关起门来做。让业务部门列出真实的使用场景、法务部门划出数据红线、财务部门核对三年总拥有成本,三方结论放在一起,才是完整的判断。技术可行只是入场券,业务、合规与成本同时成立,本地化才算真正跑通。

黄鹂鸟视角:让本地模型真正跑进业务

把一款模型部署到一台机器上,只是第一步;让它稳定地服务真实业务,是另一回事。我们在企业私有化 AI 落地中反复遇到的,恰恰是模型之外的那些问题:知识库怎么更新、权限怎么划分、调用怎么审计、性能怎么监控。

这也是我们一直强调的观点:模型是可替换的部件,真正沉淀下来的应该是企业自己的数据与治理能力。把数据治理、权限审计、知识库管理和推理运维做成底座,今天用 Phai-A1,明天换别的模型,业务都不用推倒重来。

如果你正在评估本地部署方案,可以把企业大模型应用平台、知识库管理系统与 MES 生产执行系统连起来看——它们分别对应「怎么管模型」「怎么用好企业知识」「怎么接进真实业务现场」这三个层次的问题。

想结合自己的数据和硬件条件做一次私有化可行性评估?欢迎扫码添加顾问微信,或拨打页面上的电话联系我们,我们会按你的实际场景给出一份务实的部署建议。

常见问题

包含通用语言模型 Phai-A1 与视频生成模型 Phai-M1。Phai-A1 面向代码开发、智能助手等场景,支持原生百万级上下文、可在个人电脑本地部署;Phai-M1 针对真人影视场景做训练优化,重点改善人物呈现、画面细节与音画协同。两款均完成昇腾平台全流程国产算力训练优化。

免费需求分析

看懂了趋势,下一步是选对系统

告诉我们你的行业、团队规模和最想自动化的环节,我们从 866 条产品线里帮你匹配合适的管理系统, 或按需求定制开发——并为 AI 接入预留好规范的数据接口。

电话咨询 17666080858

7×24小时在线

黄鹂鸟科技顾问微信二维码
微信扫码,一对一咨询

把文章里的思路,落成你的系统方案

留下行业与业务规模,我们免费给出针对性的选型建议与实施路径

服务保障

  • 免费需求分析
  • 按行业匹配系统
  • 实施方案透明
  • 7×24 技术支持