← 返回博客
Ai预计阅读 10 分钟

五个视频模型进了 Azure,推理是 fal 跑的

发布于 2026年11月11日
五个视频模型进了 Azure,推理是 fal 跑的

11 月 5 日,微软和 fal 宣布五个视频生成模型以公共预览形式进入 Microsoft Foundry,作为 Azure 一方服务交付。模型来自快手、Lightricks 和 MiniMax,推理由 fal 提供。微软一个都没训。

这个安排本身就是新闻。过去两年,关于视频模型的问题是「谁的最好」。这个发布回答的是另一个问题:谁来做卖这些模型的柜台。微软刚刚自己举手,方式是承认它不需要拥有模型,也能拥有交易。

五个,各管一段

微软的说法是,创意工作不是一件事。一个团队为一段文字 brief 探几条方向,一个零售商把审过的产品图变成运动概念,一个开发者把生图接到生视频,它们对模型的要求不一样。质量、运动、可控性、交付周期和成本,在每种情况下的权衡不同。所以这五个不是五次冲同一个 benchmark,而是地图上的五个位置。

**Kling v3 Pro** 是电影感那个。画质加顺滑运动,原生音频生成,自定义元素。它的图生视频模式让开发者控制一个具体的起始帧怎么变成运动镜头。当视觉方向和运动表现比每秒价格更重要时,选它。

**LTX-2.5** 分两档。Fast 用来迭代和预览,Pro 用来高保真交付。两个都做文生视频和图生视频,都带同步音频。两档一起发的意义在于,团队可以在同一个平台上从草稿做到成片,不用换工具。这话听着是小节,直到你试过在两个供应商之间对齐一种影调。

**MiniMax H3 Max 和 H3 Max Turbo** 是 H3 的后训练变体,后训练针对指令遵循、画质和推理能力。Turbo 拿一部分质量换更快生成,用途是高频迭代。

说到规模,fal 创始人 Burkay Gur 说得很直白:生成式媒体应用正在变成多模型的,因为一件工作的不同部分需要不同的东西。fal 的目录覆盖 1500 多个模型,横跨图像、视频、音频和 3D,另外还有推理、训练和基础设施。微软挑了五个。挑选本身就是产品。

数据驻留那个细节

公告里埋着一句真正能促成签约的话:模型托管在美国区域,Foundry 是第一家提供美国境内 Kling 端点的供应商。

Kling 来自快手,一家中国公司。对一个要走采购审查的美国企业来说,「我们可以用这个模型,推理在美国区域跑,走 Azure 合同」和「我们可以用这个模型」是两场不同的对话。模型一模一样,文书不一样。

这是多模型论里被低估的部分。技术上的理由是方便,商业上的理由是中间商吸收了合规面。微软卖的是后者。

价格,以及一个要自己核的数字

计费按生成秒数,分辨率和音频模式会改变单价。微软说具体价格会在未来几周挂上 Azure 定价页。

五枚曲率各异的玻璃小镜片,摆在炭灰色天鹅绒上。

一个提醒。官方博客正文和它的表格,对计费单位的描述不一致。把它写进预算之前,去定价页确认计价器是按秒还是按分钟,然后再乘。这种不一致在预览公告里很常见,也正好是那种能把一次便宜实验变成一张意外账单的东西。

五个模型之间也没有统一的质量或延迟 benchmark。微软自己也这么说。所谓选型,就是拿你自己的 prompt、你自己的原图、你自己的片段长度、你自己的音频要求,一个一个跑。预览状态意味着没有 SLA,接口也可能变。

ComfyUI 那个玩法才是最有用的部分

和公告一起发的第二篇微软文章,讲怎么用两个自定义节点把 Foundry 的图像模型和 fal 的视频模型接进 ComfyUI,整条链路上不需要任何 API key。

三步。

第一步,在你的 Foundry 项目里部署模型。走门户的模型目录,或者用 CLI:

az cognitiveservices account deployment create ...

给出的示例模型标识,图像侧是 gpt-image-2.5-sunburst、FLUX.2-pro 和 MAI-Image-2.6,视频侧是 Fal-MiniMax-H3-Max。有一条命名规则要注意:图像部署名必须和模型名一致,因为节点是从这个字符串推断模型家族的。视频部署名随便起。

第二步,给 ComfyUI 无密钥访问。节点用 DefaultAzureCredential,也就是以机器现有的 Entra 身份认证。在笔记本上那是你的 az login 会话,在 Azure 上是托管身份。这个身份需要在 Foundry 资源上拿到 Cognitive Services User 角色,或者 Foundry User。没有密钥要存、要轮换、要泄进共享的工作流 JSON,而后者正是 ComfyUI 环境被打穿最常见的方式。

第三步,粘上项目端点,形如 https://xxx.services.ai.azure.com/api/projects/xxx。

架构上的结果是重点。生成发生在 Foundry,ComfyUI 只负责编排。所以跑 ComfyUI 的机器不需要 GPU,微软的示例就是一次文生图调用喂给一次图生视频调用,产出一个五秒的电影感镜头,组装在一台可能是笔记本的硬件上。

对维护过一套装了四十个自定义节点、本地一堆 checkpoint 的 ComfyUI 的人来说,这是完全不同的形状。工作流变成了瘦客户端。你失去的是离线能力,以及在图中间换成本地模型的能力。

同一轮新闻里那个尴尬的邻居

11 月 5 日到 6 日之间,微软的安全更新指南挂了两条 CVSS 10.0。一条在 Entra 设备注册。另一条是 CVE-2026-85889,Azure AI Foundry 的认证缺失漏洞,CWE-306,网络向量,不需要权限,不需要用户交互。

微软的说明是客户不需要做任何操作,因为修复落在微软自己的基础设施上,没有客户部署的版本需要打补丁。由研究员 Rémy Marot 报告,没有在野利用的证据。

这里要把两件事分开。10.0 分衡量的是最坏影响,不是可能性,微软自己的可利用性评估是低。而云端 CVE 公告是一则通知,不是一项任务。你不用去打补丁,你要去翻修复之前那个时间窗里的异常部署和调用日志。

它仍然该和发布放在同一段里,因为两件事讲的是同一个位移。当平台跑模型、握着密钥、拥有端点,安全边界就挪进了一个你没法检查的服务里。这是便利的账单。

实际该测什么

如果你在评估这套东西,有意思的对比是:一个中间商加五个模型,和一家供应商加一个模型,哪个更适合你真实的流水线。把 Kling、LTX、MiniMax 抽象地排个名,几乎告诉不了你什么。

拿同一段 brief 跑完五个。量从 prompt 到能用片段的时间,不是到片段的时间。再量一遍重生成率,因为一个要三次才把运动做对的模型,无论标价多少都是三倍价格。然后检查音频,如果有的话,能不能扛过剪辑。同步漂移比没有音频更糟。

还要记住出口在哪。中间商的全部吸引力在于你可以在不改集成的情况下换掉底下的模型。测它的办法是换一个,看什么坏了。如果答案是「prompt 格式」,你有的是中间商。如果答案是「全部」,你有的是一个多了几道手续的供应商。

Ignite 在 11 月 17 日到 20 日,19 日有一场专门的 Foundry 和 fal 议程。定价和正式可用应该会跟上。在那之前,这是一个没有 SLA 的预览,做实验没问题,做产品发布不行。

相关文章