关于ZAKER Skills GEO服务 合作
量子位 7分钟前

姚顺雨和混元团队上 Reddit 答网友,Hy 小模型已进路线图

Hy 小模型已经在路线图上,面向 24GB 显存的模型也有计划。

今天凌晨,姚顺雨和腾讯混元团队来到 Reddit 社区,围绕刚发布的 Hy4 和 Hy4 flash 做了一场 AMA。

AMA 是「Ask Me Anything」的缩写,意思是「有什么想问的,尽管问」。网友在评论区提问,混元团队成员直接回帖。

参与名单上只列了 Reddit 账号,至于哪个马甲是姚顺雨,我们还没对上号……

这场 AMA 的主角,是混元本月接连发布的两款模型。

11 月 4 日发布的Hy4是旗舰,能理解文本、图像和视频,适合长程软件工程这类需要多步推理、反复调用工具的复杂任务。

11 月 16 日发布的Hy4 flash,主打日常办公的速度和成本。它支持图文输入和最长 100 万 Token 的上下文,每个 Token 激活约 120 亿参数。

Hy4 和 Hy4 flash 都已接入腾讯 WorkBuddy。混元团队还把 WorkBuddy 里的修表、改文档、做 PPT 等典型任务纳入了内部评测 WorkIndex,按这套评测测算,Hy4 flash 的平均单任务成本约为旗舰 Hy4 的 1/20。

两款模型的权重都已公开。到了 AMA,有网友直接报出自己的电脑配置:96GB 显存、128GB 内存,能跑 Flash 吗?

团队说能跑,主要权重留在 GPU 上,部分专家层和 Engram 查表模块可以挪到系统内存。

也有人问 llama.cpp,团队说适配正在做。

聊到研发,团队还透露了不少训练背后的秘诀。

Flash 的激活参数还能不能减?他们拿做过的 MoE 稀疏度实验解释取舍。

让 Agent 自己解题,训练时遇到过什么麻烦?有时它会直接上网找现成答案,跳过解题过程。

还有网友问,后训练里最难改善的行为是什么,团队只回了一个词,Overthinking,过度思考。旗舰 Hy4 的推理链有时偏长。到了 Flash,团队先从旗舰蒸馏,再用强化学习把推理链压短。

从模型怎么训,到开发者能不能把它跑起来,这场 AMA 聊了不少平时在模型卡上只有一行、到了真用时却绕不开的问题。

以下是 AMA 问答节选,按主题编排,中文译文有删节。

Enjoy~

Hy4 为什么「想太久」,Flash 又是怎么训练的?

网友:和 Hy4 preview 一样,Hy4 正式版有时也会推理太久。这和强化学习的奖励设计有关,还是和训练数据的分布有关?模型能学会什么时候停下来吗?

混元团队:Hy4 的目标是尽量提高智能水平,推理链偏长是我们知道的问题。我们可以把 Hy4 蒸馏成成本效率更高的 Hy4 flash,并在 Flash 上用强化学习缩短推理链。

网友:后训练阶段,最难改善的是哪种模型行为?

混元团队:过度思考。

网友:Hy4 现在的参数规模还有多少提升空间?以后想做出更强的模型,必须继续加参数吗?

混元团队:我们认为 Hy4 还有相当大的提升空间,尤其是在后训练上。我们在投入大规模强化学习,也在继续改善用户体验和模型安全性。同时,我们计划训练更大规模的模型。

网友:训练 Hy4 和 Hy4 flash 做长程 Agent 任务时,多轮强化学习里最难处理的情况是什么?

混元团队:最棘手的是训练环境设计有漏洞,模型会钻空子拿奖励。比如,我们得防止 Agent 直接上网搜现成答案,让它自己把任务做完。

网友:做命令行任务时,模型编错一个参数就可能让命令出错。你们怎么提高工具调用的准确性,又怎么让模型在长任务里记住前文?

混元团队:我们在强化学习数据里加入了模型容易犯错的难例,奖励也做得更细,关键细节出错会扣得更重。对于长任务,我们在持续拉长强化学习训练所用的上下文,也在提升模型压缩上下文、保留关键信息的能力。

网友:姚顺雨经常提到,选训练数据需要有判断力。你们怎么判断一批数据好不好?

混元团队:数据质量有很多维度,不同领域、不同任务的要求也不一样。无论用人类专家还是智能体,设计和清洗数据都要花很多功夫。最后还是要做实验,看这批数据能不能带来提升。

网友:HyRA 2.0 实验里,Hy4 带来的提升主要来自哪里?它有发现新的架构或数据配比方面的改进吗?

混元团队:这次提升主要来自底层吞吐优化。要让模型进一步参与研发,还得提高它判断训练方案的能力。用 AI 做 AI 研发,本身也是一件周期长、难点多的事。

网友:你们已经用 Hy4 和 HyRA 2.0 改进了训练基础设施,也训练出了更好的小模型。接下来会做什么实验,看看这一轮训练出的模型能否在下一轮更擅长做研发?

混元团队:我们正在做 HyRA 3.0,敬请期待。

网友:如果让 Hy4 自己运行,它现在能通过递归自我改进做出下一代模型吗?你们怎么评估这种能力?

混元团队:我们的递归自我改进能力还处于早期,已经做了几项内部基准,用来评估其中的关键能力。

Flash 的参数花在哪儿了?

网友:不算 Engram,Hy4 flash 主干约有 1560 亿参数,每个 Token 激活约 120 亿。如果总参数不变,把激活参数降到 80 亿或 50 亿,效果会掉多少?

混元团队:我们做过不同 MoE 稀疏度的规模实验。固定激活参数量时,提高稀疏度能改善计算效率。但如果固定总参数,再把激活量降到 80 亿或 50 亿,我预计模型质量会明显下降。激活参数量决定了每个 Token 能用多少计算,提高稀疏度能弥补一部分。

网友:Hy4 flash 为什么给 Engram 分配约 635 亿参数?这个比例是怎么定的?

混元团队:我们的实验看到了一条 U 形曲线。把 Engram 也计入总参数量,Engram 占比在三分之一左右时,接近实验里的最优点。占比再往下调,计算效率会降低。

网友:Flash 为什么选择滑动窗口注意力(SWA)?

混元团队:滑动窗口注意力能把 KV 缓存压到原来的约四分之一,显著降低部署成本。

小模型、本地部署和下一步

网友:会有 Hy4 mini 吗?还有人想要比 Flash 更轻的版本,跑文档解析、分类和简单自动化。

混元团队:Hy 小模型已经在路线图上。

网友:下一代 Hy 模型会做到 1.5 万亿至 2 万亿参数吗?

混元团队:下一代 Hy 模型的规模肯定会进一步显著扩大。

网友:会考虑推出更轻量的 Flash-Lite 吗?比如用来做文档解析、分类和简单自动化。

混元团队:有的,敬请期待 Flash-Lite。

网友:有面向 24GB 显存的模型计划吗?

混元团队:有,未来会发布。

网友:我有 96GB 显存、128GB 系统内存,能跑 Hy4 flash 吗?

混元团队:可以。主要权重和注意力计算放在 GPU 上,部分专家层可以卸载到系统内存,Engram 表也可以放在内存里。

网友:同一个工作任务,托管版 Hy4 flash 在我的测试里全对,本地 NVFP4 版本却出现了约 8% 的错误。这个模型更难量化吗?

混元团队:量化质量很看方法和校准方式。团队建议试试用 GPTQ 量化的 NVFP4 版本。在我们的评测里,这个版本与 BF16 的差距较小,更适合这类对准确率敏感的任务。

网友:llama.cpp 支持会怎么推进?你们会和推理框架社区提前合作吗?

混元团队:我们正在做 llama.cpp 适配,预计近期会在社区放出。我们也在和 vLLM、SGLang 等社区合作。

网友:现有的 Hy4 flash 还会更新吗?

混元团队:会。我们正在优化 Flash 级模型的预训练和后训练方案。

怎么看模型的表现

网友:为什么没公布 GPQA Diamond、τ -bench、IFBench、SWE-bench 这些常见评测的成绩?

混元团队:我们展示的是 Agents ’ Last Exam、ProgramBench 这类较新、难度更高的评测。你提到的几项出现得更早,分数已经接近饱和。

网友:我感觉有些模型的写作能力在退步。是因为拿太多代码来训练、过拟合了,还是有别的原因?

混元团队:我们也注意到了,可能和训练目标有关。我们希望模型写得更像人、少一点套话,这方面正在改进。

One More Thing

那么,QA 实录到这里就结束了。

想自己试试 Hy4 flash?打开 WorkBuddy,在模型列表里选中Hy4 flash,把手边待改的表格或待整理的会议纪要交给它跑一遍。

11 月 30 日前,可以在 WorkBuddy 限时免费体验~

参考链接:

https://www.reddit.com/r/LocalLLaMA/comments/1y15w4a/tencent_hy_team_shunyu_yao_here_ask_us_anything/

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法!

— 完 —

点亮星标

科技前沿进展每日见

觉得文章不错,微信扫描分享好友

扫码分享

企业资讯

查看更多内容