MoMA: platform agregasi LLM dari China Mobile, lebih dari 300 model di balik satu pintu

Jawaban singkat

MoMA adalah platform agregasi model besar terbuka dan terjangkau pertama dari China Mobile, yang menghimpun lebih dari 300 model penting dalam satu konsol: sumber terbuka, tertutup, dan seri Jiutian buatan sendiri. Gerbang API terpadu cukup untuk memanggil semuanya, tanpa mendaftar ke setiap vendor atau menyesuaikan setiap protokol satu per satu. Perutean cerdas membagi permintaan menurut strategi biaya, kualitas, atau seimbang, dan beralih dalam hitungan detik saat terjadi gangguan. Sebagai pelengkap ada basis pengetahuan RAG, pengembangan agen berkode rendah, dan orkestrasi alur kerja visual; akun baru menerima 25 juta token gratis.

Masalah yang dituju

Hambatan paling umum dalam mengadopsi model besar hampir tidak pernah «bisakah kita memakai satu», melainkan «yang mana, bagaimana menyambungkannya, dan berapa biayanya». Setiap vendor membawa sistem akun, metode autentikasi, dan antarmuka sendiri, sehingga menambah satu model berarti satu putaran penyesuaian lagi. Dan setelah berjalan, tugas yang sama bisa sangat berbeda harganya tergantung model, sehingga memilih secara manual jarang bisa menyeimbangkan biaya dan kualitas.

MoMA mengubah lapisan ini menjadi kemampuan platform: Anda berhadapan dengan satu gerbang bukan puluhan vendor, pemilihan model beralih ke mesin kebijakan alih-alih penilaian kasus per kasus, dan tagihan dirinci menurut token yang benar-benar dikonsumsi.

Kemampuan utama

Lapangan model. Lebih dari 300 model yang mencakup kategori teks, penglihatan, suara, vektor, dan multimodal. Masing-masing menerima uji coba daring, pemanggilan API, penerapan satu klik, dan penyesuaian halus, dengan filter menurut kategori, fungsi, atau keluarga, atau pencarian langsung.

Gerbang API terpadu. Satu antarmuka terstandar menjangkau semua model di platform. Tidak perlu menyesuaikan protokol vendor satu per satu atau memelihara akun terpisah.

Perutean cerdas (Jiutian inside). Maksud permintaan dianalisis otomatis dan dipasangkan dengan model paling sesuai di bawah strategi biaya, kualitas, atau seimbang. Kegagalan pada satu titik memicu peralihan dalam hitungan detik, menjaga lalu lintas produksi tetap berjalan. Angka yang dipublikasikan menyebut biaya token satuan sekitar 30% lebih rendah dan jejak sumber daya lebih dari 50% lebih kecil.

RAG, generasi berbasis pengambilan. Pembangunan basis pengetahuan multi-sumber dengan pengambilan hibrida dan pemanggilan multi-jalur: pengetahuan internal dan eksternal yang tersebar masuk ke alur generasi, mengurangi halusinasi dan meningkatkan ketepatan.

Pengembangan agen. Dua mode orkestrasi — perencanaan otonom LLM dan alur kerja eksplisit — memungkinkan agen tanpa kode atau berkode rendah tanpa menuntut kemampuan pemrograman yang mendalam.

Toko agen. Agen siap pakai di berbagai domain bisa dicoba seketika, dan agen yang Anda buat dapat diterbitkan sebagai kanal penggunaan ulang internal atau distribusi eksternal.

Orkestrasi alur kerja visual. Plugin, model, kode, dan basis pengetahuan disusun dengan seret dan lepas menjadi proses yang stabil, cocok untuk otomasi bisnis bertahap.

Pengukuran token dan penagihan transparan. Rincian konsumsi per transaksi beserta pemantauan latensi dan throughput, dengan pilihan bayar sesuai pemakaian atau pembayaran sekali.

Cara memulai

Pertama, buka halaman produk MoMA di ecloud.10086.cn, portal China Mobile Cloud, daftar, lalu masuk ke konsol. Kedua, buka lapangan model untuk menelusuri lebih dari 300 model, saring menurut kategori, fungsi, atau keluarga, atau cari langsung. Ketiga, pilih satu model dan klik «uji coba daring» untuk mencobanya seketika, atau pilih pemanggilan API untuk memperoleh endpoint dan kunci. Keempat, masuk ke modul perutean cerdas, pilih strategi, tandai himpunan model, dan buat aturan pembagian otomatis. Kelima, untuk tanya-jawab perusahaan unggah dokumen di modul RAG guna membangun basis pengetahuan dan atur pengambilan hibrida. Keenam, rakit agen Anda di modul pengembangan lalu terbitkan ke toko agen agar tim atau pengguna eksternal bisa memakainya langsung.

Bedanya dari platform lain

MoMA memosisikan diri pada agregasi, bukan layanan model tunggal. Dibanding awan lazim, ia mengklaim lebih dari 300 model melawan kisaran seratusan; integrasinya bertumpu pada satu API yang menaungi semuanya, sementara kebanyakan masih mengandalkan API standar plus SDK; perutean menonjolkan mode ganda dengan SLA bertingkat dan peralihan dalam detik; infrastrukturnya bersandar pada jaringan China Mobile Cloud dan lebih dari 1.500 pusat komputasi cerdas di tepi, dipadukan dengan jaringan kelas operator dan pengendali keamanan konten — sebuah argumen tersendiri soal latensi dan kepatuhan. Jika kebutuhan utama Anda menyeimbangkan biaya dan kualitas di antara beberapa model, agregator memberi nilai langsung. Jika Anda terikat erat pada ekosistem model satu vendor, platform asli vendor itu tetap lebih nyaman pada perangkat pendukungnya.

Skenario representatif

Platform AI tengah perusahaan. Satu pintu masuk model melayani beberapa lini bisnis dan mencegah tiap tim menyambung vendor sendiri-sendiri.

Tanya-jawab pengetahuan dan layanan pelanggan. RAG mengubah pengetahuan perusahaan menjadi jawaban yang dapat dipertanggungjawabkan, bukan mengarang isi.

Pengembangan aplikasi agen. Orkestrasi berkode rendah dengan cepat menghasilkan aplikasi vertikal seperti asisten persetujuan dan agen analisis data.

Produksi konten AIGC. Model teks, gambar, dan video dipadukan dengan alur kerja untuk pembuatan dan penerbitan massal.

Solusi sektoral. Model dasar disesuaikan halus dengan data sektor lalu ditambah RAG dan agen untuk solusi keuangan, kesehatan, atau pemerintahan.

Sebelum berkomitmen

Platform cocok bagi tim rekayasa atau IT yang memanggil beberapa model dan ingin menyatukan penagihan serta integrasi. Jika Anda hanya butuh satu model secara stabil, lapisan agregasi memberi lebih sedikit. Meski penagihan mengukur token nyata dengan rincian, biaya tetap tumbuh linear mengikuti volume: uji dulu rantainya dengan kuota gratis, lalu berdasar hasil perutean yang nyata putuskan apakah perlu mengunci model tertentu. Terakhir, sekalipun ada peralihan dalam detik, simpan rencana degradasi untuk jalur yang kritis bagi bisnis.