海螺AI

海螺 AI 是由上海稀宇科技有限公司（MiniMax）基于自研的万亿参数 MoE 大语言模型 ABAB6.5 和 MiniMax语音大模型研发的一款多功能 AI 工具。

MiniMax是一家人工智能初创公司，核心团队来自商汤科技等知名企业，聚焦多模态大模型研发。

海螺AI视频官网

---

核心模型架构

基础模型：abab-6.5

（自研万亿参数 MoE 架构）

混合专家系统设计

• 动态路由机制：采用 Sparse Gating Network，根据输入内容自动激活 8-12个子专家模型（如代码专家、多语言专家、逻辑推理专家）。
• 参数规模：总参数量达 1.2 万亿，其中活跃参数量控制在 2000 亿/query，实现高容量与低推理成本的平衡。

训练优化：

• 数据并行：128 路模型并行 + ZeRO-3 显存优化
• 损失函数：Task-MoE 联合训练（任务损失 + 专家负载均衡损失）

语音模型：speech-01

（多语言语音合成引擎）

技术栈：

• 前端处理：HiFi-GAN 声码器 + FastSpeech2韵律控制

核心创新：

• 音色解耦编码：通过 Vector-Quantized VAEs 分离音色与语义特征
• 跨语言迁移：共享音素编码空间，支持 8 语言音色无缝切换

声音克隆：

• Zero-shot 克隆：基于 10 秒样本提取 音色指纹（d-vector），适配预设音素序列
• speech-01：语音大模型，支持 8 种语言（中/英/德/法等），内置 30+ 音色，实现高拟真语音交互。

视频生成管线

三阶段生成流程：

图像理解层：

• 基于 GLIPv2 的开放域对象检测 + 关系提取

物理引擎层：

• 集成 NVIDIA PhysX 实现粒子/刚体运动模拟

渲染层：

• 基础帧生成：Stable Video Diffusion-XL
• 特效合成：NeRF 动态光照 + GAN 细节增强

---

关键子系统

长文本处理引擎

• 上下文窗口：支持 128K tokens 连贯处理

内存优化：

• Hierarchical Attention：分层压缩历史上下文
• FlashAttention-2：实现 3.2 倍于常规 Transformer 的吞吐量

结构化输出：

• 基于 CodeLlama 的文本到 Markdown/LaTeX/JSON 自动转换

智能搜索系统

混合检索架构：

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 稠密检索 + BM25 稀疏检索
• 知识图谱扩展：基于 ROG（Reasoning Over Graph） 实现多跳推理

边缘推理优化

移动端部署方案：

• 模型压缩：采用 AWQ（Activation-aware Weight Quantization） 实现 4-bit 量化，精度损失<1%

异构计算：

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

快速接入海螺AI

以下是一份可以在 python3 的终端环境中直接执行的完整代码，请将以下group_id和api_key替换为第一步获取的鉴权信息即可执行。

• 注意：添加import readline引用是为了解决在中文输入下，python的input接口在删除字符的时候错误处理的问题。

import requests
import readlinegroup_id = "请填写您的group_id"
api_key = "请填写您的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，没有调用其他产品的接口的大型语言模型。MiniMax是一家中国科技公司，一直致力于进行大模型相关的研究。",}],
}
# 添加循环完成多轮交互
while True:# 下面的输入获取是基于python终端环境，请根据您的场景替换成对应的用户输入获取代码line = input("发言:")# 将当次输入内容作为用户的一轮对话添加到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}")#  将当次的ai回复内容加入messagesrequest_body["messages"].extend(response.json()["choices"][0]["messages"])

构建请求头

- 复制下面代码并根据鉴权信息构建请求头（group_id和api_key为需要您替换的鉴权信息）。

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

构建请求内容

• 本示例是基于python在终端交互的对话，input关键字内的提示词根据您的场景替换成对应的用户输入获取代码或参数,其余参数，不建议修改。

# 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，没有调用其他产品的接口的大型语言模型。MiniMax是一家中国科技公司，一直致力于进行大模型相关的研究。",}],
}
line = input("发言:")
# 将当次输入内容作为用户的一轮对话添加到messages
request_body["messages"].append({"sender_type":"USER", "sender_name":"小明", "text":line}
)

完成交互

• 通过requests库提供的post能力对api进行调用，复制下面的代码即可完成多轮交互。
• 注意：每一轮回复都需要追加到messages中，这样才能在多轮的对话中记住对话历史。

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

# 将当次的ai回复内容加入messages
request_body["messages"].extend(response.json()["choices"][0]["messages"])  

---

蓝耘MaaS平台

什么是MaaS平台？

• MaaS（Model-as-a-Service，模型即服务）平台
  

模型即服务（MaaS）平台面向企业开发者、创业者及非技术背景用户，提供开箱即用的热门AI模型服务，支持零代码体验、API快速集成与灵活计费，降低AI应用开发门槛，加速业务创新。允许用户通过API接口或其他方式访问和使用预先训练好的机器学习模型，无需自己从头开始训练模型，使得即使没有深厚机器学习背景的用户也能享受到高水平的AI技术支持。

蓝耘MaaS平台属于企业级AI模型服务基础设施，旨在通过云服务形式提供预训练模型、行业定制化模型及配套工具链，降低企业AI应用门槛。

核心目标

• 模型快速部署：简化模型从开发到生产的全流程。
• 资源弹性扩展：按需调用算力与模型服务，优化成本。
• 垂直场景适配：针对金融、医疗、工业等领域提供专用模型。

技术架构

• 云原生架构：基于 Kubernetes 的弹性资源调度，适配混合云/私有云部署。
• 异构计算支持：集成 GPU/NPU 算力池，优化推理效率。
• 数据隐私合规：提供联邦学习、隐私计算选项，满足金融/医疗等敏感场景需求。
• 开放生态：可能支持 PyTorch、TensorFlow 等框架，并与主流数据平台（如 Hadoop、Spark）集成。

---

支持的大模型

文本模型：

模型	API 调用模型名	免费赠送token	单价（元/百万token）	支持上下文长度	输入 token 上限	输出 token 上限
DeepSeek-R1	/maas/deepseek-ai/DeepSeek-R1	5百万	8.00 元	60K	65536	9536
DeepSeek-V3	/maas/deepseek-ai/DeepSeek-V3	5百万	4.00 元	60K	65536	9536
QwQ-32B	/maas/qwen/QwQ-32B	1百万	4.00 元	40K	40960	9536

Token是指模型处理和生成文本时的基本单元，中文的Token通常是一个字或词，英文的Token通常是一个单词、子词或词组。

除了上述文生文的deepseek，Maas平台还支持图像理解与生成、音视频理解与生成、数学领域、法律领域等方面的大模型。平台后续将纳管众多主流的第三方大模型，例如Llama、ChatGLM、零一万物、Stable Diffusion等大模型。

其他大模型：

模型类别	典型模型示例	应用场景案例
视觉大模型	ViT/Stable Diffusion/工业质检微调模型	生产线缺陷检测、医疗影像分析
多模态模型	Flamingo/BLIP-2变体	电商图文生成、广告创意设计
科学模型	类AlphaFold结构/气象预测模型	分子模拟、气候建模

---

蓝耘搭载海螺AI的优势

技术适配性优势

维度	蓝耘MaaS + 海螺AI 方案	通用云平台方案对比
多模态支持	深度优化海螺AI的图生视频/语音克隆能力，提供低代码适配工具（如工业质检视频模板）	需自行开发适配层，增加3-6个月研发周期
长文本处理	基于蓝耘的128K上下文扩展技术，使海螺AI的文档解析效率提升40%（实测金融合同场景）	通常限制在32K-64K，需多次分段处理
边缘部署	提供ARM/X86异构编译工具链，支持海螺AI模型在工厂摄像头/医疗设备端运行（时延<50ms）	仅支持云端API调用，边缘端需自建推理框架

核心技术协同架构

视频生成加速方案

# 视频生成管线优化示例
def generate_video_optimized(image, prompt):# 阶段1：蓝耘MaaS并行预处理with parallel_process(feature_extractor=ViT-22B, scene_graph=GraphRCNN) as (features, graph):# 阶段2：海螺AI核心生成frames = StableVideoXL(latent_space=features, physics_constraints=PhysX(graph))# 阶段3：边缘端实时渲染return render_with_neRF(frames, device='edge')

性能指标：4K视频生成速度从15分钟/秒提升至2分钟/秒（Tesla T4环境）

全生命周期工具链

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

开放生态集成

• 支持ONNX/TensorRT等工业标准格式
• 提供与Kafka/Spark/Flink等大数据组件预集成方案

部署架构对比

维度	蓝耘MaaS方案	传统方案
模型格式	自适应量化（FP16/INT8动态切换）	固定精度（通常FP32）
硬件兼容性	支持NVIDIA Jetson/华为Atlas/寒武纪MLU全系列	单一芯片架构绑定
热更新机制	差分模型更新（<10MB/次）	全量替换（>2GB/次）

蓝耘MaaS平台与海螺AI的组合，本质上是通过领域工程化能力（蓝耘）放大基础模型潜力（海螺AI），在成本可控前提下实现“AI能力即插即用”。建议通过其官网申请制造业/金融/医疗专项试用包，针对性验证业务场景匹配度。

---

实战应用教程

如何注册并部署

首先得注册蓝耘平台账号，老生常谈的问题我就不细说了哈。

接下来我们为大家介绍如何注册蓝耘平台。

点击一键跳转注册🔥

跳转到如下界面：我们根据需要填写对应信息就可以注册成功。

注册成功后进入主页面，点击MaaS平台

随后选择视觉模型，可以看到已经MaaS平台已经提前为我们部署了海螺AI的模型，有图片生成视频和文本生曾视频两种途径。

使用教程

接下来我以图片生成视频为例，教会大家如何利用海螺AI快速实现图片生成视频。

操作步骤：

• 首先我们需要上传相应的图片，比如我这里就上传一个我喜欢的壁纸
• 然后还需要对想要生成的视频进行一段文字描述，上限200字，用来给AI知名视频的创作方向，
• 接着选择对应的视频模型，我以基础版的模型为例，最后点击下方的立即生成即可

注意：

• 每个用户都是有一次免费的生成机会的，由于我之前已经用过好多次，所以我都免费次数已经耗尽，我需要购买次数，大家可以借助免费的生成体验一下海螺AI的视频生成水平

可以看到视频已经在生成中，即便退出后AI仍会继续生成，接着等待一会，我们来看视频效如何

示例视频1：

---

然后我们优化一下提示词，同样是选择最基础的视频模型，让海螺AI重新生成视频，略微等待，我们查看视频效果

• 优化后的提示词如下：

大朵大朵的雪花如同鹅毛般纷纷扬扬地飘落，将整个世界装点得银装素裹。在这漫天飞雪之中，一位女孩静静伫立。她的发丝间沾着少许晶莹剔透的雪花，宛如点点细碎的钻石在闪烁。只见她缓缓眨动着那双明亮的眼睛，长长的睫毛如蝴蝶翅膀般扑闪，眸中似藏着星辰与雪花交融的光芒。紧接着，她微微抬起手，动作轻柔得仿佛怕惊扰了这漫天飞雪，那纤细的手指轻轻穿过发丝，将沾着雪花的几缕头发捋到耳后，一举一动间，尽显温婉与柔美。

示例视频2：

---

这样看来，蓝耘MaaS平台下部署的海螺AI名不虚传，而且这还只是最基础版本的视频模型，如果追求更高的视频创作质量，可以选择更加专业的视频模型。

无论是专业版还是基础版的价格都是一样的，多种选择供你来挑选！

---

获取 API Key

进入 API平台 > 立即接入 管理，单击创建 API KEY。

• 单击创建 API Key 按钮。
• 在弹出框的名称文本框中确认/更改 API Key 名称，单击创建。

说明: 请妥善保存好API Key，强烈建议不要将其直接写入到调用模型的代码中

• 创建完成后，进入 API KEY 管理，进行新增、查看、删除操作

API接口调用

OpenAI兼容接口

直接使用 OpenAI 官方提供的 SDK 来调用大模型对话接口。您仅需要将 base_url 和 api_key 替换成相关配置，不需要对应用做额外修改，即可无缝将您的应用切换到相应的大模型。

base_url：https://maas-api.lanyun.net/v1
api_key：如需获取请参考获取API KEY
接口完整路径：https://maas-api.lanyun.net/v1/chat/completions

python

创建一个python文件命名为 ark_example.py，将下面示例代码拷贝进文件。并替换密钥为您的API KEY。替换content中的<你是谁>为您想要的提问内容。点击运行，稍等您可以在终端窗口中看到模型调用的返回结果。这样您就完成了您的首次型服务调用。

from openai import OpenAI# 构造 client
client = OpenAI(api_key="sk-xxxxxxxxxxx",  # APIKeybase_url="https://maas-api.lanyun.net/v1",
)
# 流式
stream = True
# 请求
chat_completion = client.chat.completions.create(model="/maas/deepseek-ai/DeepSeek-R1",messages=[{"role": "user","content": "你是谁",}],stream=stream,
)
if stream:for chunk in chat_completion:# 打印思维链内容if hasattr(chunk.choices[0].delta, 'reasoning_content'):print(f"{chunk.choices[0].delta.reasoning_content}", end="")# 打印模型最终返回的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");// 构造 client
const client = new OpenAI({apiKey: "sk-xxxxxxxxxxx", //  APIKeybaseURL: "https://maas-api.lanyun.net/v1/chat/completions", 
});// 定义一个异步函数来处理请求
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, });// 处理流式响应for await (const chunk of completion) {if (chunk.choices) {// 打印思维链内容console.log("reasoning_content:", chunk.choices[0]?.delta?.reasoning_content);// 打印模型最终返回的contentconsole.log("content", chunk.choices[0]?.delta?.content);}}} catch (error) {console.error("Error occurred:", error);}
}// 调用异步函数
getCompletion();

cURL

您可以通过 HTTP 方式直接调用模型服务。在终端窗口中，拷贝下面命令，并替换密钥为您的API KEY。替换content中的<你好>为您想要的提问内容。稍等您可以在终端窗口中看到模型调用的返回结果。这样您就完成了您的首次型服务调用

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
}'

---

写在最后

蓝耘MaaS平台提供了一种便捷的途径，让用户能够快速注册并部署海螺AI，享受其强大的视频生成等核心功能。通过该平台，用户可以轻松获取API密钥并进行功能调用，同时享受平台提供的可扩展性、安全保障以及专业的技术支持。

本文到这里就结束了，如果你也被海螺AI的强大的视频生成能力所吸引，想去完成自己的探索和尝试，那么欢迎你成为蓝耘平台的新用户前来体验，注册链接就在下面，快去试试吧！我们下期再见！

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