海螺AI

海螺 AI 是由上海稀宇科技有限公司（MiniMax）基于自研的萬億參數 MoE 大語言模型 ABAB6.5 和 MiniMax語音大模型研發的一款多功能 AI 工具。

MiniMax是一家人工智能初創公司，核心團隊來自商湯科技等知名企業，聚焦多模態大模型研發。

海螺AI視頻官網

---

核心模型架構

基礎模型：abab-6.5

（自研萬億參數 MoE 架構）

混合專家系統設計

• 動態路由機制：采用 Sparse Gating Network，根據輸入內容自動激活 8-12個子專家模型（如代碼專家、多語言專家、邏輯推理專家）。
• 參數規模：總參數量達 1.2 萬億，其中活躍參數量控制在 2000 億/query，實現高容量與低推理成本的平衡。

訓練優化：

• 數據并行：128 路模型并行 + ZeRO-3 顯存優化
• 損失函數：Task-MoE 聯合訓練（任務損失 + 專家負載均衡損失）

語音模型：speech-01

（多語言語音合成引擎）

技術棧：

• 前端處理：HiFi-GAN 聲碼器 + FastSpeech2韻律控制

核心創新：

• 音色解耦編碼：通過 Vector-Quantized VAEs 分離音色與語義特征
• 跨語言遷移：共享音素編碼空間，支持 8 語言音色無縫切換

聲音克隆：

• Zero-shot 克隆：基于 10 秒樣本提取 音色指紋（d-vector），適配預設音素序列
• speech-01：語音大模型，支持 8 種語言（中/英/德/法等），內置 30+ 音色，實現高擬真語音交互。

視頻生成管線

三階段生成流程：

圖像理解層：

• 基于 GLIPv2 的開放域對象檢測 + 關系提取

物理引擎層：

• 集成 NVIDIA PhysX 實現粒子/剛體運動模擬

渲染層：

• 基礎幀生成：Stable Video Diffusion-XL
• 特效合成：NeRF 動態光照 + GAN 細節增強

---

關鍵子系統

長文本處理引擎

• 上下文窗口：支持 128K tokens 連貫處理

內存優化：

• Hierarchical Attention：分層壓縮歷史上下文
• FlashAttention-2：實現 3.2 倍于常規 Transformer 的吞吐量

結構化輸出：

• 基于 CodeLlama 的文本到 Markdown/LaTeX/JSON 自動轉換

智能搜索系統

混合檢索架構：

def retrieve(query):  bm25_scores = sparse_retriever(query)  dense_embeddings = colbert_encoder(query)  reranked = cross_encoder.rerank(bm25_top100, dense_top100)  return fusion(reranked, dbpedia_graph.expand())  

• 集成 ColBERT 稠密檢索 + BM25 稀疏檢索
• 知識圖譜擴展：基于 ROG（Reasoning Over Graph） 實現多跳推理

邊緣推理優化

移動端部署方案：

• 模型壓縮：采用 AWQ（Activation-aware Weight Quantization） 實現 4-bit 量化，精度損失<1%

異構計算：

• iOS：CoreML + ANE（Apple Neural Engine）加速
• 安卓：TFLite GPU 委托 + Hexagon DSP 協同

快速接入海螺AI

以下是一份可以在 python3 的終端環境中直接執行的完整代碼，請將以下group_id和api_key替換為第一步獲取的鑒權信息即可執行。

• 注意：添加import readline引用是為了解決在中文輸入下，python的input接口在刪除字符的時候錯誤處理的問題。

import requests
import readlinegroup_id = "請填寫您的group_id"
api_key = "請填寫您的api_key"url = f"https://api.minimax.chat/v1/text/chatcompletion_pro?GroupId={group_id}"
headers = {"Authorization":f"Bearer {api_key}", "Content-Type":"application/json"}# tokens_to_generate/bot_setting/reply_constraints可自行修改
request_body = payload = {"model":"MiniMax-Text-01","tokens_to_generate":8192,"reply_constraints":{"sender_type":"BOT", "sender_name":"MM智能助理"},"messages":[],"bot_setting":[{"bot_name":"MM智能助理","content":"MM智能助理是一款由MiniMax自研的，沒有調用其他產品的接口的大型語言模型。MiniMax是一家中國科技公司，一直致力于進行大模型相關的研究。",}],
}
# 添加循環完成多輪交互
while True:# 下面的輸入獲取是基于python終端環境，請根據您的場景替換成對應的用戶輸入獲取代碼line = input("發言:")# 將當次輸入內容作為用戶的一輪對話添加到messagesrequest_body["messages"].append({"sender_type":"USER", "sender_name":"小明", "text":line})response = requests.post(url, headers=headers, json=request_body)reply = response.json()["reply"]print(f"reply: {reply}")#  將當次的ai回復內容加入messagesrequest_body["messages"].extend(response.json()["choices"][0]["messages"])

構建請求頭

- 復制下面代碼并根據鑒權信息構建請求頭（group_id和api_key為需要您替換的鑒權信息）。

url = f"https://api.minimax.chat/v1/text/chatcompletion_pro?GroupId={group_id}"
headers = {"Authorization":f"Bearer {api_key}", "Content-Type":"application/json"}

構建請求內容

• 本示例是基于python在終端交互的對話，input關鍵字內的提示詞根據您的場景替換成對應的用戶輸入獲取代碼或參數,其余參數，不建議修改。

# tokens_to_generate/bot_setting/reply_constraints可自行修改
request_body = payload = {"model":"MiniMax-Text-01","tokens_to_generate":8192,"reply_constraints":{"sender_type":"BOT", "sender_name":"MM智能助理"},"messages":[],"bot_setting":[{"bot_name":"MM智能助理","content":"MM智能助理是一款由MiniMax自研的，沒有調用其他產品的接口的大型語言模型。MiniMax是一家中國科技公司，一直致力于進行大模型相關的研究。",}],
}
line = input("發言:")
# 將當次輸入內容作為用戶的一輪對話添加到messages
request_body["messages"].append({"sender_type":"USER", "sender_name":"小明", "text":line}
)

完成交互

• 通過requests庫提供的post能力對api進行調用，復制下面的代碼即可完成多輪交互。
• 注意：每一輪回復都需要追加到messages中，這樣才能在多輪的對話中記住對話歷史。

response = requests.post(url, headers=headers, json=request_body)

# 將當次的ai回復內容加入messages
request_body["messages"].extend(response.json()["choices"][0]["messages"])  

---

藍耘MaaS平臺

什么是MaaS平臺？

• MaaS（Model-as-a-Service，模型即服務）平臺
  

模型即服務（MaaS）平臺面向企業開發者、創業者及非技術背景用戶，提供開箱即用的熱門AI模型服務，支持零代碼體驗、API快速集成與靈活計費，降低AI應用開發門檻，加速業務創新。允許用戶通過API接口或其他方式訪問和使用預先訓練好的機器學習模型，無需自己從頭開始訓練模型，使得即使沒有深厚機器學習背景的用戶也能享受到高水平的AI技術支持。

藍耘MaaS平臺屬于企業級AI模型服務基礎設施，旨在通過云服務形式提供預訓練模型、行業定制化模型及配套工具鏈，降低企業AI應用門檻。

核心目標

• 模型快速部署：簡化模型從開發到生產的全流程。
• 資源彈性擴展：按需調用算力與模型服務，優化成本。
• 垂直場景適配：針對金融、醫療、工業等領域提供專用模型。

技術架構

• 云原生架構：基于 Kubernetes 的彈性資源調度，適配混合云/私有云部署。
• 異構計算支持：集成 GPU/NPU 算力池，優化推理效率。
• 數據隱私合規：提供聯邦學習、隱私計算選項，滿足金融/醫療等敏感場景需求。
• 開放生態：可能支持 PyTorch、TensorFlow 等框架，并與主流數據平臺（如 Hadoop、Spark）集成。

---

支持的大模型

文本模型：

模型	API 調用模型名	免費贈送token	單價（元/百萬token）	支持上下文長度	輸入 token 上限	輸出 token 上限
DeepSeek-R1	/maas/deepseek-ai/DeepSeek-R1	5百萬	8.00 元	60K	65536	9536
DeepSeek-V3	/maas/deepseek-ai/DeepSeek-V3	5百萬	4.00 元	60K	65536	9536
QwQ-32B	/maas/qwen/QwQ-32B	1百萬	4.00 元	40K	40960	9536

Token是指模型處理和生成文本時的基本單元，中文的Token通常是一個字或詞，英文的Token通常是一個單詞、子詞或詞組。

除了上述文生文的deepseek，Maas平臺還支持圖像理解與生成、音視頻理解與生成、數學領域、法律領域等方面的大模型。平臺后續將納管眾多主流的第三方大模型，例如Llama、ChatGLM、零一萬物、Stable Diffusion等大模型。

其他大模型：

模型類別	典型模型示例	應用場景案例
視覺大模型	ViT/Stable Diffusion/工業質檢微調模型	生產線缺陷檢測、醫療影像分析
多模態模型	Flamingo/BLIP-2變體	電商圖文生成、廣告創意設計
科學模型	類AlphaFold結構/氣象預測模型	分子模擬、氣候建模

---

藍耘搭載海螺AI的優勢

技術適配性優勢

維度	藍耘MaaS + 海螺AI 方案	通用云平臺方案對比
多模態支持	深度優化海螺AI的圖生視頻/語音克隆能力，提供低代碼適配工具（如工業質檢視頻模板）	需自行開發適配層，增加3-6個月研發周期
長文本處理	基于藍耘的128K上下文擴展技術，使海螺AI的文檔解析效率提升40%（實測金融合同場景）	通常限制在32K-64K，需多次分段處理
邊緣部署	提供ARM/X86異構編譯工具鏈，支持海螺AI模型在工廠攝像頭/醫療設備端運行（時延<50ms）	僅支持云端API調用，邊緣端需自建推理框架

核心技術協同架構

視頻生成加速方案

# 視頻生成管線優化示例
def generate_video_optimized(image, prompt):# 階段1：藍耘MaaS并行預處理with parallel_process(feature_extractor=ViT-22B, scene_graph=GraphRCNN) as (features, graph):# 階段2：海螺AI核心生成frames = StableVideoXL(latent_space=features, physics_constraints=PhysX(graph))# 階段3：邊緣端實時渲染return render_with_neRF(frames, device='edge')

性能指標：4K視頻生成速度從15分鐘/秒提升至2分鐘/秒（Tesla T4環境）

全生命周期工具鏈

# 示例：從訓練到部署命令行工具鏈
$ bluecloud train --model=abab6.5 --task=ner --dataset=medical
$ bluecloud quantize --precision=int8 --accelerator=jetson
$ bluecloud deploy --target=edge --protocol=MQTT

開放生態集成

• 支持ONNX/TensorRT等工業標準格式
• 提供與Kafka/Spark/Flink等大數據組件預集成方案

部署架構對比

維度	藍耘MaaS方案	傳統方案
模型格式	自適應量化（FP16/INT8動態切換）	固定精度（通常FP32）
硬件兼容性	支持NVIDIA Jetson/華為Atlas/寒武紀MLU全系列	單一芯片架構綁定
熱更新機制	差分模型更新（<10MB/次）	全量替換（>2GB/次）

藍耘MaaS平臺與海螺AI的組合，本質上是通過領域工程化能力（藍耘）放大基礎模型潛力（海螺AI），在成本可控前提下實現“AI能力即插即用”。建議通過其官網申請制造業/金融/醫療專項試用包，針對性驗證業務場景匹配度。

---

實戰應用教程

如何注冊并部署

首先得注冊藍耘平臺賬號，老生常談的問題我就不細說了哈。

接下來我們為大家介紹如何注冊藍耘平臺。

點擊一鍵跳轉注冊🔥

跳轉到如下界面：我們根據需要填寫對應信息就可以注冊成功。

注冊成功后進入主頁面，點擊MaaS平臺

隨后選擇視覺模型，可以看到已經MaaS平臺已經提前為我們部署了海螺AI的模型，有圖片生成視頻和文本生曾視頻兩種途徑。

使用教程

接下來我以圖片生成視頻為例，教會大家如何利用海螺AI快速實現圖片生成視頻。

操作步驟：

• 首先我們需要上傳相應的圖片，比如我這里就上傳一個我喜歡的壁紙
• 然后還需要對想要生成的視頻進行一段文字描述，上限200字，用來給AI知名視頻的創作方向，
• 接著選擇對應的視頻模型，我以基礎版的模型為例，最后點擊下方的立即生成即可

注意：

• 每個用戶都是有一次免費的生成機會的，由于我之前已經用過好多次，所以我都免費次數已經耗盡，我需要購買次數，大家可以借助免費的生成體驗一下海螺AI的視頻生成水平

可以看到視頻已經在生成中，即便退出后AI仍會繼續生成，接著等待一會，我們來看視頻效如何

示例視頻1：

---

然后我們優化一下提示詞，同樣是選擇最基礎的視頻模型，讓海螺AI重新生成視頻，略微等待，我們查看視頻效果

• 優化后的提示詞如下：

大朵大朵的雪花如同鵝毛般紛紛揚揚地飄落，將整個世界裝點得銀裝素裹。在這漫天飛雪之中，一位女孩靜靜佇立。她的發絲間沾著少許晶瑩剔透的雪花，宛如點點細碎的鉆石在閃爍。只見她緩緩眨動著那雙明亮的眼睛，長長的睫毛如蝴蝶翅膀般撲閃，眸中似藏著星辰與雪花交融的光芒。緊接著，她微微抬起手，動作輕柔得仿佛怕驚擾了這漫天飛雪，那纖細的手指輕輕穿過發絲，將沾著雪花的幾縷頭發捋到耳后，一舉一動間，盡顯溫婉與柔美。

示例視頻2：

---

這樣看來，藍耘MaaS平臺下部署的海螺AI名不虛傳，而且這還只是最基礎版本的視頻模型，如果追求更高的視頻創作質量，可以選擇更加專業的視頻模型。

無論是專業版還是基礎版的價格都是一樣的，多種選擇供你來挑選！

---

獲取 API Key

進入 API平臺 > 立即接入 管理，單擊創建 API KEY。

• 單擊創建 API Key 按鈕。
• 在彈出框的名稱文本框中確認/更改 API Key 名稱，單擊創建。

說明: 請妥善保存好API Key，強烈建議不要將其直接寫入到調用模型的代碼中

• 創建完成后，進入 API KEY 管理，進行新增、查看、刪除操作

API接口調用

OpenAI兼容接口

直接使用 OpenAI 官方提供的 SDK 來調用大模型對話接口。您僅需要將 base_url 和 api_key 替換成相關配置，不需要對應用做額外修改，即可無縫將您的應用切換到相應的大模型。

base_url：https://maas-api.lanyun.net/v1
api_key：如需獲取請參考獲取API KEY
接口完整路徑：https://maas-api.lanyun.net/v1/chat/completions

python

創建一個python文件命名為 ark_example.py，將下面示例代碼拷貝進文件。并替換密鑰為您的API KEY。替換content中的<你是誰>為您想要的提問內容。點擊運行，稍等您可以在終端窗口中看到模型調用的返回結果。這樣您就完成了您的首次型服務調用。

from openai import OpenAI# 構造 client
client = OpenAI(api_key="sk-xxxxxxxxxxx",  # APIKeybase_url="https://maas-api.lanyun.net/v1",
)
# 流式
stream = True
# 請求
chat_completion = client.chat.completions.create(model="/maas/deepseek-ai/DeepSeek-R1",messages=[{"role": "user","content": "你是誰",}],stream=stream,
)
if stream:for chunk in chat_completion:# 打印思維鏈內容if hasattr(chunk.choices[0].delta, 'reasoning_content'):print(f"{chunk.choices[0].delta.reasoning_content}", end="")# 打印模型最終返回的contentif hasattr(chunk.choices[0].delta, 'content'):if chunk.choices[0].delta.content != None and len(chunk.choices[0].delta.content) != 0:print(chunk.choices[0].delta.content, end="")
else:result = chat_completion.choices[0].message.content

NodeJS

const OpenAI = require("openai");// 構造 client
const client = new OpenAI({apiKey: "sk-xxxxxxxxxxx", //  APIKeybaseURL: "https://maas-api.lanyun.net/v1/chat/completions", 
});// 定義一個異步函數來處理請求
async function getCompletion() {try {const completion = await client.chat.completions.create({model: '/maas/deepseek-ai/DeepSeek-R1',messages: [{ role: 'user', content: '你好' }],stream: true, });// 處理流式響應for await (const chunk of completion) {if (chunk.choices) {// 打印思維鏈內容console.log("reasoning_content:", chunk.choices[0]?.delta?.reasoning_content);// 打印模型最終返回的contentconsole.log("content", chunk.choices[0]?.delta?.content);}}} catch (error) {console.error("Error occurred:", error);}
}// 調用異步函數
getCompletion();

cURL

您可以通過 HTTP 方式直接調用模型服務。在終端窗口中，拷貝下面命令，并替換密鑰為您的API KEY。替換content中的<你好>為您想要的提問內容。稍等您可以在終端窗口中看到模型調用的返回結果。這樣您就完成了您的首次型服務調用

curl https://maas-api.lanyun.net/v1/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer sk-xxxxxxxxxxx" \
-d '{"model": "/maas/deepseek-ai/DeepSeek-R1","messages": [{"role": "user","content": "你好"}],"stream": true
}'

---

寫在最后

藍耘MaaS平臺提供了一種便捷的途徑，讓用戶能夠快速注冊并部署海螺AI，享受其強大的視頻生成等核心功能。通過該平臺，用戶可以輕松獲取API密鑰并進行功能調用，同時享受平臺提供的可擴展性、安全保障以及專業的技術支持。

本文到這里就結束了，如果你也被海螺AI的強大的視頻生成能力所吸引，想去完成自己的探索和嘗試，那么歡迎你成為藍耘平臺的新用戶前來體驗，注冊鏈接就在下面，快去試試吧！我們下期再見！

 https://cloud.lanyun.net//#/registerPage?promoterCode=0131