目录

在线模型使用教程

生成 API 密钥（Keys）

大语言模型测试

AI 视频生成

API 模型一键调用与本地部署

基础调用方法（以 Python 为例）

LLM 模型本地部署优化

视频模型本地部署

实测总结：高效便捷的 AI 模型聚合平台

---

在线模型使用教程

生成 API 密钥（Keys）

首先完成步骤1的操作，随后在步骤2中找到并点击“API Keys”选项。

进入页面后，点击「Create New API Key」按钮创建密钥：先为密钥设置一个易识别的名称，再根据实际需求配置权限范围——例如仅开放文本模型调用权限，或设置为禁止写入的只读模式。特别提醒，该密钥仅在创建时显示一次，生成后请立即复制并妥善保存，避免后续无法找回。

大语言模型测试

平台支持多种模型测试，此处以 Kimi-K2-Thinking 为例演示操作流程：

找到 Kimi-K2-Thinking 模型，点击其对应的“Playground”标签；

点击“Apply API Key”按钮，将之前保存的 API 密钥输入其中，完成配置后即可使用该模型。

实测发现，平台返回结果的精准度较高，左侧还配备了多个实用可调参数：通过调节“温度值”可控制回复的随机性，自定义“最大令牌数”则能限制输出长度，可灵活适配不同场景的使用需求。

AI 视频生成

在平台菜单中选择“Video”分类，此处以 Minimax-Hailuo-2.3 模型为例说明生成流程：

1. 点击进入该模型页面，可上传一张图片作为视频首帧或风格参考；

2. 通过“Duration”和“Resolution”选项自主设置视频时长与分辨率；

3. 输入视频生成提示词，示例提示词为：“让图片动起来”；

4. 完成参数设置后，点击“Generate”按钮，等待视频生成即可。

原图:

生成的动态视频效果:

感兴趣的用户可自行实操体验。

API 模型一键调用与本地部署

基础调用方法（以 Python 为例）

以此前测试过的 Kimi-K2-Thinking 模型为例，调用步骤如下：启动模型后，点击「Description」选项，页面将呈现详细的调用指引。

直接复制页面中的 Python 代码块

import requests
import json
 
url = "https://api.gmi-serving.com/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer *************"
}
 
payload = {
    "model": "moonshotai/Kimi-K2-Thinking",
    "messages": [
        {"role": "system", "content": "You are a helpful AI assistant"},
        {"role": "user", "content": "List 3 countries and their capitals."}
    ],
    "temperature": 0,
    "max_tokens": 500
}
 
response = requests.post(url, headers=headers, json=payload)
print(json.dumps(response.json(), indent=2))

将代码中 “Bearer *************” 部分替换为自己的 API 密钥，点击运行即可完成调用。调用成功后，系统会返回结构化 JSON 输出，该格式兼容性强，可被 Python、Java、JavaScript 等多种编程语言及不同系统便捷解析。

LLM 模型本地部署优化

为提升代码的灵活性与可维护性，针对基础调用代码做了两处核心优化：一是将提问内容从 messages 中抽离，单独定义为 user_question 变量，后续更换问题仅需修改该变量，无需调整整体代码框架；二是优化输出格式，从响应数据中提取 AI 核心回复，按“问题+回答”的对应形式清晰打印，解决了原始代码输出杂乱的问题。优化后的代码如下：

import requests
import json
 
url = "https://api.gmi-serving.com/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer ........"
}
 
# 提问内容
user_question = "讲述二叉树的实现"
 
payload = {
    "model": "moonshotai/Kimi-K2-Thinking",
    "messages": [
        {"role": "system", "content": "You are a helpful AI assistant"},
        {"role": "user", "content": user_question}  # 引用提问内容
    ],
    "temperature": 0,
    "max_tokens": 500
}
 
response = requests.post(url, headers=headers, json=payload)
response_data = response.json()
 
# 提取 AI 的回答
ai_answer = response_data['choices'][0]['message']['content']
 
# 同时打印问题和回答
print(f"你的问题：{user_question}")
print("\nAI 的回答：")
print(ai_answer)

各模型的具体调用指南均可在对应模型详情页查询，大家可根据实际需求选择调用。接下来，就为大家演示视频模型的详细调用流程。

视频模型本地部署

借鉴 LLM 模型的封装思路，对视频生成 API 调用逻辑进行标准化封装，提升代码复用性与可维护性。以下以 Minimax-Hailuo-2.3-Fast 模型为例

import requests
import json
import os
 
API_KEY = os.getenv("GMI_API_KEY", "........") # 写下自己的 API Keys 秘钥
# 视频生成 API 的基础 URL 和 Endpoint
BASE_URL = "https://console.gmicloud.ai"
ENDPOINT = "/api/v1/ie/requestqueue/apikey/requests"
FULL_URL = f"{BASE_URL}{ENDPOINT}"
HEADERS = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}
VIDEO_MODEL_NAME = "Minimax-Hailuo-2.3-Fast"
PROMPT = "A serene ocean scene with waves under a pink sunset"
DURATION = 6  # 视频时长（秒）
RESOLUTION = "768P"  # 分辨率，可选值如 "768P", "1080P" 等
PROMPT_OPTIMIZER = True  # 是否开启提示词优化
FAST_PRETRATMENT = False  # 是否开启快速预处理
 
# 使用一个公共可用的图像URL作为测试
FIRST_FRAME_IMAGE = "https://picsum.photos/768/432"  # 一个随机的768x432图像（符合768P分辨率）
 
payload = {
    "model": VIDEO_MODEL_NAME,
    "payload": {
        "prompt": PROMPT,
        "duration": DURATION,
        "resolution": RESOLUTION,
        "prompt_optimizer": PROMPT_OPTIMIZER,
        "fast_pretreatment": FAST_PRETRATMENT,
        "first_frame_image": FIRST_FRAME_IMAGE
    }
}
 
def main():
    print(f"--- 开始调用视频模型: {VIDEO_MODEL_NAME} ---")
    print(f"提示词: {PROMPT}")
    print(f"API Key: {API_KEY[:10]}...")  # 显示API密钥的前10个字符用于验证
    print(f"Headers: {HEADERS}")
    print(f"Payload: {json.dumps(payload, indent=2, ensure_ascii=False)}")
 
    try:
        # 发送 POST 请求
        response = requests.post(FULL_URL, headers=HEADERS, json=payload)
 
        # 检查响应状态码
        response.raise_for_status()
 
        # 解析 JSON 响应
        response_data = response.json()
 
        print("\n请求成功!")
        print("完整响应:")
        print(json.dumps(response_data, indent=2, ensure_ascii=False))
 
        if "data" in response_data and "task_id" in response_data["data"]:
            task_id = response_data["data"]["task_id"]
            print(f"\n任务 ID: {task_id}")
            print("请保存此 Task ID，用于后续查询视频生成状态。")
 
    except requests.exceptions.RequestException as e:
        print(f"\n调用 API 时发生错误: {e}")
        if hasattr(e, 'response') and e.response is not None:
            print("错误响应状态码:", e.response.status_code)
            print("错误响应头:", e.response.headers)
            print("错误响应内容:")
            print(e.response.text)
        else:
            print("没有收到响应，请检查网络连接或API端点是否正确。")
 
if __name__ == "__main__":
    if API_KEY == "你的API" and not os.getenv("GMI_API_KEY"):
        print("警告: 请设置 GMI_API_KEY 环境变量或在代码中替换 '你的API密钥'。")
    main()

提供可直接落地的结构化封装代码，示例提示词为 “A serene ocean scene with waves under a pink sunset”

前端查看生成的视频时，可直观感受到其逼真的画面效果。

实测总结：高效便捷的 AI 模型聚合平台

经过两周的深度实测，GMI Cloud 的综合表现十分出色，核心优势集中在“提升开发效率”与“降低使用门槛”两大维度。以往接入新 AI 模型，需经历注册平台、研读文档、编写适配代码等一系列繁琐流程，耗时费力；而在 GMI Cloud 上，只需一个账号、一套密钥，即可调用平台所有模型，基础代码一次编写即可复用，切换模型仅需修改名称参数，大幅减少重复工作量。

平台聚合了 36 款文本模型与 31 款视频模型，全面覆盖各类主流使用场景；更值得称赞的是，新模型上线响应迅速，往往在官方发布后不久就能在平台上体验，助力用户紧跟 AI 技术前沿。计费方式采用按 Token 精准计费，每一次调用的消耗明细都清晰可查，虽不同模型价格有差异，但整体处于合理区间，成本可控性极强，非常推荐有相关需求的用户亲自体验。

1. 统一操作体系，简化开发全流程：以“单账号+单密钥”实现全模型统一管理，彻底告别为不同模型重复注册、查阅文档、编写适配代码的麻烦。基础代码一次编写即可长期复用，模型切换仅需调整名称参数，显著降低开发与维护成本。

2. 模型资源完备，前沿能力同步快：36 款文本模型与 31 款视频模型的丰富储备，可满足各类主流使用需求；新模型上线速度快，确保用户能第一时间接入前沿 AI 能力，无需为适配新模型等待漫长周期。

3. 计费透明精准，成本管理高效：按 Token 精准计费，调用消耗明细一目了然，用户可清晰掌握成本支出；各模型价格虽有差异，但整体处于合理范围，便于企业与个人做好成本控制。