Phai-A1 怎么跑:35B MoE 单卡 3090 与 83.6% 得分

一句话结论:范式智能(原第四范式)11 月 19 日首次公布自研基座模型 Phai 家族,Phai-A1 用 35B 总参数 MoE 架构把 100 万 Token 上下文和代码 Agent 能力压进单张 RTX 3090,SWE-Bench Verified 拿到 83.6%,Phai-M1 则能在 3 分钟内生成 15 秒 720P 带对白与音效的音画同步视频,两款权重都开放下载。

做企业软件的公司下场自研基座模型,绕不开的追问是凭什么。范式给出的答案不靠参数堆量,而是靠两条硬指标:单张消费级显卡能跑起来,以及后训练全流程跑在华为昇腾平台上。这两条恰好对应了当下自研模型最现实的两道门槛,分别是推理成本和国产算力适配。

Phai-A1 的规格:35B MoE 与 100 万 Token 上下文

Phai-A1 定位在代码开发与 Agent 场景,架构为混合专家模型,总参数 35B,上下文长度 100 万 Token。官方特别强调后训练数据直接覆盖长上下文场景,走的是原生路线,而不是把长上下文当外挂接上去。

训练侧是这次发布里信息量最大的一条。Phai 全流程在华为昇腾平台完成后训练,量子位报道称团队从模型优化阶段之初就按国产算力环境设计,不是训完再适配。两个月前另有消息称范式超 10 亿元采购华为昇腾 950,这条采购传闻与此次全链路训练的说法能对上。

推理侧的门槛低得多。官方给出的对比条件是两个模型都跑在单张 RTX 3090 上,用同一个版本的 Claude Code,执行完全相同的任务。在这种同硬件同 harness 的设定下,官方称 Phai-A1 在保证效果的前提下响应速度快约 8 到 10 倍。这个数字属于厂商自测口径,但它至少说明 35B MoE 配合激进稀疏化之后,单卡跑百万上下文的代码模型在工程上可行。

六项基准逐项对比:赢在同级,输给更大一级

官方在 Phai-A1 页面列出六项软件工程与通用能力基准,并给出同级 35B MoE 与其他参考模型的成绩。表格里最需要注意的是 Qwen3.8-27B 稠密版的位置:它在 SWE-Bench Verified 上拿到 86.0%,高于 Phai-A1 的 83.6%,在 AA-LCR 长上下文推理上也以 82.0% 领先于 Phai-A1 的 75.0%。

基准 Phai-A1-35B-1M Ornith-1.5-35B Qwen3.6-35B Qwen3.8-27B 稠密 GLM-5.2
SWE-Bench Verified 83.6% 79.0% 73.4% 86.0% 82.8%
SWE-Bench Pro 65.0% 59.6% 49.5% 62.7% 62.1%
SWE-Bench Multilingual 74.0% 71.4% 未报告 73.8% 74.5%
TAU3-Bench 69.6% 未报告 67.2% 71.3% 未报告
IFBench 69.4% 未报告 64.21% 79.5% 73.3%
AA-LCR 75.0% 未报告 71.67% 82.0% 78.33%

读这张表能得出三个判断。第一,Phai-A1 在 SWE-Bench Pro 上 65.0% 的成绩是全部参考模型里的最高值,这一项衡量的是更难的工程级任务,含金量高于 Verified。第二,在多语言修复和多轮工具调用这两项上它与 Qwen3.8-27B 稠密版互有胜负,说明这一层级的 MoE 与稠密模型已经贴得很近。第三,IFBench 与 AA-LCR 两项的差距比较明显,长上下文推理和复杂指令遵循仍然是 27B 稠密模型占优的地方,官方也标注了未报告的空白项,没有粉饰。

同期市面上同样主打本地跑的小参数模型,可以对照 Edge0-145B 的部署实测看显存账目,路线是 29GB 内存装下 1450 亿参数;Kimi K3 则走的是另一条极端路线,用纯 CPU 方案把 2.78 万亿参数塞进 8GB 内存。Phai-A1 选的是第三种答案,把 35B MoE 放在单张 3090 上,靠 100 万上下文而不是靠参数量取胜。

PhanthyCode 满意度表:三个维度全部第一

范式把 Phai-A1 放进自家 AI 办公产品 PhanthyCode 做过一段匿名期评测,官方页面直接放出了三项用户评分的完整对照表,满分 10 分。三个维度分别是模型能力、稳定性和速度、体验满意度。

模型 模型能力 稳定性和速度 体验满意度
Phai-A1-35B 8.53 8.42 8.43
GLM-5.3-Flash 7.98 7.39 8.02
GLM-5.3 6.96 6.85 7.19
Phanthy-Ultra 7.77 6.92 7.08
Kimi-K3 7.28 6.94 6.89
DeepSeek-V4.1-Flash 7.11 6.77 6.79
Auto 6.71 6.68 6.69
Phanthy-Pro 8.10 6.20 5.80

这张表最有意思的一行是 Phanthy-Pro。它在模型能力上拿到 8.10,仅次于 Phai-A1 的 8.53,可在稳定性和速度上只有 6.20,体验满意度 5.80 排在最后一位。一个能力更强但慢的模型和一个能力略低但快的模型,用户满意度能差出 2.6 分。这解释了范式为什么把速度写进对比条件,响应速度在真实办公场景里会直接换算成用户评分。

官方对 Phai-A1 额外做了针对 PhanthyCode 的优化,因此这组数据属于优化后的成绩,不能直接当作通用能力对比使用。但排序本身仍有参考价值,它说明同一套产品内接入多个模型时,稳定性这个变量被用户真实感知到了。

Phai-M1:3 分钟出 15 秒 720P 音画同步视频

Phai-M1 面向真人影视场景的视频生成,主打音画同步生成,人物对白、音效与环境声与画面在同一条流水线里完成,不需要后期对口型。官方给出的效率指标是约 3 分钟生成一个 15 秒 720P 视频,测试条件为 720p 分辨率与 16GB 显存消费级显卡。

规格上它覆盖 5 到 20 秒时长,提供 480p、720p、1080p 三档清晰度,画幅支持 16:9、9:16、4:3、3:4、1:1 五种比例。生成方式分四种:文生视频、图生视频、首尾帧过渡,以及用主体图、背景图和参考音频做约束的参考生成。首尾帧过渡允许提示词留空,只给首尾两张图由模型补出中间过程。

把 Phai-M1 放进当前的 AI 视频赛道看,它的定位偏制作流程而非炫技。同类工具的分辨率与时长竞争可以参考可灵 Image 4.0 的原生 8K 与组图能力,以及 Seedance 2.5 4K 的 5 秒 30 元成本结构,都是围绕单镜头质量与单价在卷。Phai-M1 的差异点在于音画同出和单卡可跑,3 分钟出 15 秒这个节奏对于短剧产线的批量出片来说是可以算进排期的。

怎么下载和部署

Phai-A1 权重同时发布在 Hugging Face 和 ModelScope,仓库名为 PhaiModelLab/Phai-A1-35B-1M。国内网络环境建议走 ModelScope。命令行下载方式如下。

pip install -U huggingface_hub 然后执行 huggingface-cli download PhaiModelLab/Phai-A1-35B-1M;或者 pip install -U modelscope 之后执行 modelscope download –model PhaiModelLab/Phai-A1-35B-1M。

需要留意的是权重里带了 1M 上下文的配置,显存或内存规划不能按普通 35B 稠密模型来估。参照本站对 GGUF 量化档位的实测,量化位宽这一层往往比模型本身更决定能不能装下,选档之前先看那份对照再决定要不要量化到 4bit。

产品侧,Phai 系列已全量接入范式自家的 PhanRouter、ModelSphere、Phanthy、PhanthyMovie 以及 PhanthyCode 和 PhanthyWork 等产品线。Phai-M1 提供了在线工作台可以直接试用,Phai-A1 则是先下载权重本地跑,权重仓库后续会补充更详细的技术报告。

这套发布的行业位置

把 Phai 放回国内开源模型的坐标系,它不是参数最大的那一个,也不属于能力最强的那一档。它的差异化路径是端侧可运行加国产算力原生适配这两件事同时成立。范式把自研基座模型接入自己原有的企业交付体系,成本结构、交付节奏和合规链条都在自己手里,这类垂直场景的落地摩擦比纯研究团队小。

需要提醒的是,本轮从官方页面与公开报道中能拿到的可验证细节,主要集中在 Phai-A1 的六项基准、PhanthyCode 满意度对照表和 Phai-M1 的规格这三块。官方给出的响应速度快 8 到 10 倍属于厂商自测,未提供第三方复现数据。Qwen4-Max 这类同价位模型的规模与定价对照可以看本站此前的分析,35B 级别的 MoE 在纯参数口径上并不占优,价值要落到具体任务的完成质量上才成立。

常见问题

Phai-A1 需要多大显存才能跑?

官方给出的条件是单张 RTX 3090,也就是 24GB 显存。这个数字对应 35B 总参数的 MoE 加稀疏化激活,具体占用还要看上下文长度和并发数。若显存不够,优先考虑量化方案而不是换更大的卡。

Phai-A1 和 Qwen3.8-27B 稠密版该选哪个?

看两个维度。长上下文推理与复杂指令遵循优先选 Qwen3.8-27B,它的 AA-LCR 是 82.0%、IFBench 是 79.5%,都高于 Phai-A1。更难的工程级任务选 Phai-A1,它的 SWE-Bench Pro 65.0% 是对比组最高。

Phai-M1 生成的视频能直接用于短剧生产吗?

目前适合做样片和分镜验证。音画同步免去对口型后期这一环确实省工序,但 3 分钟出 15 秒的节奏意味着一条 5 分钟短剧仍需要数十次迭代,产能瓶颈在生成耗时而非剪辑。

小结

Phai 这次发布给出了一个清晰的性价比样本:不用堆参数,用 MoE 稀疏化加原生长上下文,把代码 Agent 模型压进单张消费级显卡,同时把后训练全流程放在华为昇腾上。对要在本地或国产算力环境里跑代码模型的企业来说,这套组合比同价位的大参数稠密模型更容易落到生产环境。真正要验证的仍然是那句官方自述的 8 到 10 倍速度,等第三方复现结果出来再下定论更稳妥。

全部文章归档与模型专题