腾讯发布目前最大开源MoE模型：腾讯混元大模型（Hunyuan-Large）具有 3890 亿参数

腾讯发布开源 Mixture of Experts（MoE）模型：腾讯混元大模型（Hunyuan-Large），这是目前在业界是规模最大的开源 Transformer 专家模型，具有 3890 亿参数，其中活跃的参数为 520 亿。

它专为提升自然语言处理、计算机视觉和科学任务而设计，在长文本处理、常识推理、数学能力等方面表现出色。

腾讯混元大模型（Hunyuan-Large）训练过程中使用了大量合成数据，使其可以学习到更丰富的语言表达方式。这种数据增强技术帮助 Hunyuan-Large 更好地泛化未见过的内容，提升对长文本的理解能力。

KV 缓存压缩（KV Cache Compression）
- 分组查询注意力（Grouped Query Attention, GQA）：通过 GQA 技术将注意力机制中的查询分组，大幅减少了模型在推理时的内存消耗，优化了计算效率。
- 跨层注意力（Cross-Layer Attention, CLA）：使用 CLA 机制，Hunyuan-Large 可以在不同层次共享部分信息，从而降低存储和计算负担，进一步提高推理效率。这些改进使得模型在处理大规模输入时可以更高效地利用计算资源，适合资源受限的环境。
专家特定学习率（Expert-Specific Learning Rate）
- 针对不同子模型优化学习率：Hunyuan-Large 采用 MoE 架构中的专家机制，根据每个专家模型的特性设置不同的学习率。这一方法确保了各子模型能够从数据中有效学习，进而在整体上提升了模型的表现。
- 提高了模型的训练效率：专家特定学习率使得模型训练更具适应性，避免了“学习过度”或“学习不足”现象，最大限度地利用了每个专家模块的能力。
长上下文处理能力
- 预训练模型支持 256K 的上下文窗口：Hunyuan-Large 的预训练模型支持长达 256K 的上下文处理，这使得它在处理超长文本时依旧能保持较高的性能，不会遗漏关键上下文信息。
- Instruct 模型支持 128K 长度的文本输入：通过 Instruct 模型的优化，Hunyuan-Large 可以高效处理 128K 的指令任务输入，大幅扩展了其在处理长文档和复杂指令方面的能力。

基准测试与性能表现

多项任务表现优越
- 常识和逻辑推理：在 CommonsenseQA 和 PIQA 等任务中，Hunyuan-Large 取得了显著的优势，证明了其在常识推理和逻辑推理任务中的高效性能。
- 阅读理解和问答任务：在 TriviaQA、NaturalQuestions 等阅读理解任务上，模型表现优异，尤其在复杂问答任务中展现了卓越的理解和回答能力。
- 数学推理能力：在 GSM8K 和 MATH 数据集上，Hunyuan-Large 的表现超过了所有其他基线模型，特别是在 CMATH（中文数学）数据集中也获得了最佳成绩，突显了其在数学和逻辑推理方面的实力。
中文任务的卓越表现
- C-Eval 和 CMMLU：在中国语言测试（如 C-Eval 和 CMMLU）中，Hunyuan-Large 展现出一流的性能，是同类开源模型中的佼佼者。尤其是在中文语境下的多项选择、阅读理解等任务中，该模型的准确性显著提升。
- 常识与推理能力：在中文常识推理（如 CMATH 和 CommonsenseQA 中文版）任务中，模型的准确率显著高于其他开源模型，表明其在中文理解和推理能力方面具有领先优势。
与其他模型的性能对比
- 与 Dense 模型和其他 MoE 模型的对比：Hunyuan-Large 在 MMLU、BBH 和 WinoGrande 等多个基准测试上均超过了 LLama3.1、Mixtral 和 DeepSeek 等同类模型。特别是在 MMLU 数据集上，Hunyuan-Large 的表现优于 LLama3.1-405B 模型，提升幅度达到 2.6%，充分展示了其在大规模任务上的理解和推理能力。
- 数学任务的表现：Hunyuan-Large 在 MATH 数据集上表现卓越，超越了 LLama3.1-405B 模型，准确率提升了 3.6%，表明其在数学推理任务中的显著优势。