? 6月27日，腾讯推理腾讯混元宣布开源首个混合推理MoE模型 Hunyuan-A13B，混元混合活参总参数80B，开源%E3%80%90WhatsApp%20+86%2015855158769%E3%80%91how%20much%20does%20a%20bench%20press%20barbell%20weigh激活参数仅13B，首款数仅效果比肩同等架构领先开源模型，型性但是异激推理速度更快，性价比更高。腾讯推理这意味着，混元混合活参开发者可以用更低门槛的开源方式获得更好的模型能力。

??即日起，首款数仅模型已经在 Github 和 Huggingface 等开源社区上线，型性同时模型API也在腾讯云官网正式上线，异激支持快速接入部署。腾讯推理

??这是混元混合活参%E3%80%90WhatsApp%20+86%2015855158769%E3%80%91how%20much%20does%20a%20bench%20press%20barbell%20weigh业界首个13B级别的MoE开源混合推理模型，基于先进的开源模型架构，Hunyuan-A13B表现出强大的通用能力，在多个业内权威数据测试集上获得好成绩，并且在Agent工具调用和长文能力上有突出表现。

*加粗为最高分，下划线表示第二名，数据来源于模型各个公开的测试数据集得分

??对于时下热门的大模型Agent能力，腾讯混元建设了一套多Agent数据合成框架，接入了MCP、沙箱、大语言模型模拟等多样的环境，并且通过强化学习让Agent在多种环境里进行自主探索与学习，进一步提升了Hunyuan-A13B的效果。

??在长文方面，Hunyuan-A13B支持256K原生上下文窗口，在多个长文数据集中取得了优异的成绩。

?

??在實際使用場景中，Hunyuan-A13B模型可以根據需要選擇思考模式，快思考模式提供簡潔、高效的輸出，適合追求速度和最小計算開銷的簡單任務；慢思考涉及更深、更全面的推理步驟，如反思和回溯。這種融合推理模式優化了計算資源分配，使用戶能夠通過加think/no_think切換思考模式，在效率和特定任務準確性之間取得平衡。

??Hunyuan-A13B模型對個人開發者較為友好，在嚴格條件下，只需要1張中低端GPU卡即可部署。目前，Hunyuan-A13B已經融入開源主流推理框架生態，無損支持多種量化格式，在相同輸入輸出規模上，整體吞吐是前沿開源模型的2倍以上。

??Hunyuan-A13B 集合了騰訊混元在模型預訓練、后訓練等多個環節的創新技術，這些技術共同增強了其推理性能、靈活性和推理效率。

??預訓練環節，Hunyuan-A13B 訓練了20T tokens的語料，覆蓋了多個領域。高質量的語料顯著提升了模型通用能力。此外，在模型架構上，騰訊混元團隊通過系統性分析，建模與驗證，構建了適用于 MoE 架構的 Scaling Law 聯合公式。這一發現完善了MoE 架構的 Scaling Law 理論體系，并為 MoE 架構設計提供了可量化的工程化指導，也極大的提升了模型預訓練的效果。

??后訓練環節，Hunyuan-A13B采用了多階段的訓練方式，提升了模型的推理能力，同時兼顧了模型創作、理解、Agent等通用能力。

图：Hunyuan-A13B后训练四个步骤

?

??為更好的提升大語言模型能力，騰訊混元也開源了兩個新的數據集，以填補行業內相關評估標準的空白。其中，ArtifactsBench用于彌合大語言模型代碼生成評估中的視覺與交互鴻溝，構建了一個包含 1825個任務的新基準，涵蓋了從網頁開發、數據可視化到交互式游戲等九大領域，并按難度分級以全面評估模型的能力；C3-Bench針對Agent場景模型面臨的三個關鍵挑戰：規劃復雜的工具關系、處理關鍵的隱藏信息以及動態路徑決策，設計了1024條測試數據，以發現模型能力的不足。

?

??Hunyuan-A13B模型是騰訊內部應用和調用量最大的大語言模型之一，有超過 400+ 業務用于精調或者直接調用，日均請求超1.3億。本次進行升級更新并對外開源 ，是繼混元large后混元大語言模型推出的又一重要開源模型，參數更小，但是性能和效果實現了大幅的提升。接下來，騰訊混元也將推出更多尺寸、更多特色的模型，將更多實踐技術與社區共享，促進大模型開源生態的繁榮。

?

? 騰訊混元堅定擁抱開源，持續推進多尺寸、多場景的全系模型開源，旗下圖像、視頻、3D、文本等多種模態基礎模型已全面開源。未來，混元計劃推出多尺寸混合推理模型，從0.5B到32B的dense模型，以及激活13B的MoE模型，適配企業與端側不同需求，混元圖像、視頻、3D等多模態基礎模型及配套插件模型也將持續開源。

?

?

?

附项目相关链接

?

l? 體驗入口：https://hunyuan.tencent.com/

l? API地址：https://cloud.tencent.com/product/tclm

l? Github ：https://github.com/Tencent-Hunyuan

l? HuggingFace：https://huggingface.co/tencent

l? C3-Bench：https://github.com/Tencent-Hunyuan/C3-Benchmark?

l? ArtifactsBench：https://github.com/Tencent-Hunyuan/ArtifactsBenchmark

?