"接个大模型吧"——这句话在项目会上很容易说出口，落到代码里往往变成三件事：调云端接口、按调用量付费、把用户数据发出去。对工具类产品来说，第一件和第二件还能忍，第三件过不了合规；对高频小功能来说，第三个也许无所谓，但前两件的账算不过来。

为了解决这个问题，HarmonyOS 7 把端侧 AI 能力做成了三层可直接调用的形态：AI 控件、AI 原子能力、AI 生态底座能力，最省事的一层只需要配置参数就能用。2026 年 9 月 18 日 HDD·HarmonyOS 创新论坛上海站上，华为终端小艺产品经理把这一整套能力的开放情况、新增特性和接入方式讲了一遍。

本文基于该场分享的现场录音与课件照片整理，按"开放现状 → 三层能力 → 今年新增了什么 → 怎么接入"的顺序梳理，数据与案例均出自现场分享。

一、开放现状：20+ 能力，日调用 36.8 亿次

先看两组数字：

指标	数值
已开放端侧 AI 能力	20+ 个，覆盖语音类、视觉类、语言类
接入应用	10000+ 个
应用日调用量	36.8 亿次

现场也顺手算了一笔成本账，很有说服力。通用文字识别这个最基础的能力，目前月调用量超过 6 亿次。按业界云端约 0.03 元/次的价格折算，这个功能本身就够让一个应用每月省下十万到百万级的调用成本。现场提到的使用方包括钉钉（分享面板提取图片文字）、京东金融（屏幕感知推荐）以及搜题、二手车、企业通讯等各类应用。

性能账：酷狗音乐的无损音源

现场用酷狗音乐举例，说明端侧优化的空间有多大：通过 CANN 自定义算子定向优化，在相同的流量消耗下可以听到无损音质，现场给出的口径是音质提升约 75%、流量节省约 98%，同时时延与功耗也有明显下降（约 80% 的时延、约 50% 的耗电）。

这不是"效果更好一点"，是把成本结构改了。

二、三层开放形态：从"一行代码"到"自己训练"

现场把能力按使用难度分成三层，这个分层本身就是选型指南。

第一层：AI 控件——界面和数据 API 打包给你

控件把 UI 和背后数据打包在一起，主打简单、安全、易用。属于这一层的：

• Vision Kit 场景化视觉控件：卡证识别、活体检测、AI 识图、文档扫描；
• Speech Kit 场景化语音控件：朗读控件、字幕控件；
• 大模型控件：今年新增的小艺帮写。

第二层：AI 原子能力——更细粒度的数据处理

面向需要自己控制流程的开发者，按垂类划分：

垂类	套件	典型能力
视觉	CoreVisionKit、Vision Kit	通用文字识别、人脸检测、人脸比对、主体分割、多目标/头部检测、骨骼点检测、图像超分
语音	CoreSpeechKit、Speech Kit	文本转语音、语音识别
语言	Natural Language Kit	实体抽取、智慧分词、图片信息抽取、图文转向量、文本总结

第三层：AI 生态底座能力——给大厂优化极端性能用

面向调用量极大、要在功耗与性能上继续压的场景，提供从自定义模型部署、硬件计算路由调度到高性能算子增强的一整套方案（涉及 CANNKit、MindSporeLiteKit 等）。日常应用基本用不到，但当天花板需要再抬一格时，这一层是出口。

三、今年新增了什么：三个值得关注的能力

1. 大模型控件：小艺帮写

手机屏幕底部悬浮的彩色帮写控件。一键优化文字表达，覆盖内容摘要、纠错、润色、语句改写。场景上现场举的例子很接地气：发朋友圈拟文案、逢年过节写祝福、饭馆让写评价换小礼品。

今年在这个能力上还会业界首发"一键生成思维导图"，把大模型的文本处理从生活场景扩到移动办公、轻办公。

2. 大模型多模态信息抽取：文字识别的 ProMax 版

现场说的是"业界首发开放基于大模型的多模态信息抽取"，相比业界开源模型准召率更优，功耗更低、时延更低，靠的是软硬芯协同。

典型用法：浏览博客或旅行攻略时，不用复制文字，截图丢给应用，由端侧把图片里的文字抽出来，应用再专注处理用户 query。现场专门点了一句：这种标准化又非常耗 token 的操作，最适合下沉到端侧。

3. 视觉大模型的屏幕识别：把无障碍读得更像人话

原来的小模型只能解析数字：屏幕上"点赞 1.8 万"，读出来就是"1.8 万"。现在大模型能结合图标、文字与上下文做理解，播报出来的是"点赞 1.8 万按钮"。这一条直接改善视障用户的可访问性。

四、端侧大模型的性能底牌

会按机型、内存条件与芯片算力部署 1B / 3B / 7B 的 Transformer 模型，以及 30B 的 MoE 模型。现场给出的两处实测：

• 3B 模型：首字时延 0.5 秒，增量生成速度 60+ tokens/s，属于业界第一梯队；
• 7B 模型的内存占用：鸿蒙平台上约 2.4G；部署在其它平台上一般要 4G 甚至 5G 以上。

第二条的现实意义比看起来大：内存涨价的时候，很多用户会选 8G 内存的手机。平台侧把 7B 压到 2.4G，意味着中端机及以下机型也能跑大尺寸模型，开发者做出来的功能效果有保障，机型适配的工作量也小了。

小模型侧：三个已经在跑的能力

• 图像超分：低分辨率图重建为高清，知乎首页预览图放大即用。相比开发者自己部署开源算法，时延降低 50%；老照片修复、素材放大、视频封面都是适用场景。
• 文搜图：基于文本语义检索图片，南航 e 家的实践中，乘务员描述"充电口没电了"就能从海量图库里找到对应的投诉照片，相比业界开源 CN-CLIP 模型准确率提升 10%。
• 人脸检测：返回高精度人脸框坐标、五官位置、朝向与置信度。端侧离线计算，隐私合规性强，避开了隐私授权、协议签署等漏斗环节；钉钉登录、支付宝验证、华为图库人像精修都在用。还可选配人脸比对、主体分割、多目标识别、骨骼点检测等能力组合使用。

五、怎么接：控件两步，原子 API 三步

现场把接入方式压成了两个模板。

场景化控件（以卡证识别为例）——两步：

1. 添加相关工程类，创建控件；
2. 配置设置项。以卡证识别为例，需要配置卡证类型、拍照方式、是否支持从相册选择等关键参数，再挂上结果回调。

基础控件（以实体识别为例）：少量代码即可开启，支持能力自定义。

原子化 API（以大模型 API、文字识别为例）——三步：

1. 导入代码模块（如 @kit.CoreVisionKit、@hms.ai.largeLanguageModel）与相关工程类；
2. 配置参数。文字识别配 TextRecognitionConfiguration；大模型要配的东西多一些，包括模型模式、预设提示模板 ID、核采样值、temperature、topP、repetitionPenalty、maxLength 等；
3. 初始化 API 并调用。

这些参数的名字对做过大模型调用的开发者应该很熟。真正的变化是：这一次它们跑在端侧。

六、卡证识别：七类证件 + 双语身份证

顺手记一个细节，这类小能力往往最能体现工程成熟度：卡证识别控件支持七类卡证——身份证（含双语）、行驶证、驾驶证、护照、银行卡、港澳来往内地通行证、台湾通行证。现场提到身份证支持双语显示，对使用藏文、维文身份证的用户同样可以正常识别。今年还会用大模型技术进一步提升识别准确率。

总结

这场分享可以浓缩成四句话：

1. 能下沉到端侧的就下沉——"标准化又耗 token"的操作（OCR、超分、检索、抽取）在端侧做，成本结构与合规风险都更好；
2. 控件优先，API 兜底——能用控件就别自己拼流程，控件的接入成本是"配置参数"级别；
3. 性能看内存而不是看参数量——7B 压到约 2.4G 内存，决定了你的功能能不能覆盖中端机型；
4. 先翻一遍能力清单再动手——很多你以为要自己训练的能力（人脸、超分、文搜图、分词、抽取），系统已经开放了。

接入前最该做的一件事，其实不是写代码，而是把你功能里"耗 token 且标准化"的那一段圈出来——那里大概率就是端侧能力的落点。

关于我

13 年 IT 全栈，.NET、Python、Office 自动化（VSTO/VBA/Python）都做，也做 AI 应用实操（智能体开发），主业是帮企业和团队把重复劳动自动化——报表一键生成、数据对接、文档批量处理、工具定制。

本科物理化学、硕士计算机化学，在一线实验室待过 13 年（9 年制药 + 4 年第三方检测），现在主要服务药企、检测机构和实验室：SOP、合规、样本流、仪器数据接口这些词不用你解释。

这几年做得比较多的是这几类：Office 自动化（VSTO/VBA/Python）工具定制、数据对接与 LIMS 咨询、技术陪跑。

不是外包码农，是听得懂业务的自己人。有同类场景的朋友欢迎评论区聊聊，先聊清楚再动手不迟。