YuanLab.ai 团队端庄开源发布 源Yuan3.0 Flash 多模态基础大模子。Yuan3.0 Flash 是一款 40B 参数边界的多模态基础大模子，秉承稀薄搀杂各人（MoE）架构欧洲杯体育，单次推理仅激活约 3.7B 参数。Yuan3.0 Flash改进性地提倡和秉承了强化学习锻练递次（RAPO），通过反念念羁系奖励机制（RIRM），从锻练层面斥地模子减少无效反念念，在提高推理准确性的同期，大幅压缩了推理经由的 token 耗尽，显耀镌汰算力资本，在 “更少算力、更高智能” 的大模子优化旅途上更进一步。

Yuan3.0 Flash 由视觉编码器、话语骨干网罗以及多模态对王人模块构成。话语骨干网罗秉承局部过滤增强的Attention结构（LFA）和搀杂各人（MoE）结构，在提高进展力精度的同期，显耀镌汰锻练与推理的算力支出。多模态方面，秉承视觉编码器，将视觉信号动荡为token，与话语token一齐输入到话语骨干网罗，通过多模态对王人模块终了高效、通晓的跨模态特征对王人。同期，引入自稳健图像分割机制，在支握高分辨率图像贯通的同期，有用镌汰显存需求及算力支出（如图1）。

图1：Yuan 3.0举座架构和基于MoE的话语骨干

图1左侧为Yuan 3.0架构，含三个组件：(1) ViT编码器处理图像；(2) 轻量级MLP投影器对王人视觉与文本特征；(3) 基于MoE的话语模子。右侧为秉承局部过滤进展力(LFA) 的源3.0话语骨干网罗。

更值得关怀的是，在企业场景的 RAG（ChatRAG）、多模态检索（Docmatix）、多模态表格贯通（MMTab）、摘录生成（SummEval）等任务中, Yuan3.0 Flash 的阐扬已优于 GPT-5.1，体现出其在企业垄断场景中的赫然才调上风。在多模态推理与话语推理评测中，Yuan3.0 Flash（40B）精度接近Qwen3-VL235B-A22B（235B）与DeepSeek-R1-0528（671B），但 token 耗尽仅约为其 1/4 ~ 1/2，显耀镌汰了企业大模子垄断资本（如图2）。

图2：Yuan3.0 Flash在企业级、多模态和话语模态上的基准测试阐扬

Yuan3.0 Flash 全面开源，全系列模子参数和代码均可免费下载使用：

https://github.com/Yuan-lab-LLM/Yuan3.0

不追求“更长念念考”，而是“更有用念念考”

频年来，长念念维链（Chain-of-Thought）成为提高大模子推理才调的主流范式，但在骨子垄断中也带来了新的问题：推理经由冗长、算力耗尽大、部署资本高，以至在得到正确谜底后仍握续宽阔生成冗长的内容，（如图3）。

图3： Deepseek-R1的访佛反念念活动示例

针对推理模子宽阔存在的 “过度念念考（Overthinking）”问题，Yuan3.0 Flash 改进Reflection-aware Adaptive Policy Optimization（RAPO） 强化学习算法，提倡反念念羁系奖励机制（RIRM），从锻练层面斥地模子减少无效反念念，专注于必要推理递次（如图4）。

图4：反念念羁系奖励机制（RIRM）

该机制大致识别模子初度得到正确谜底的关节节点，并对后续冗余推理活动进行羁系，使模子在保证谜底正确性的前提下，大幅压缩输出长度。实验适度标明，在数学、科学与复杂推理任务中，Yuan3.0 Flash 在准确率提高的同期，推理 token 数目最高可减少约 75%，显耀镌汰推理资本。

表1：Yuan3.0 Flash秉承RIRM的强化学习锻练与DAPO+长度处分的精度与输出token数目对比

在 RAPO 框架下，模子同期支握深度推理任务与快速推理任务的协调锻练，并通过：

自稳健动态采样（ADS）高熵 Token 选拔的 80/20 锻练计谋优化的双重剪辑机制口角输出分组瓜代锻练

在大边界 MoE 模子上终明晰更通晓的强化学习锻练，锻练恶果提高52.91% 。Yuan3.0 Flash大致在默许推理模式下即可得志绝大多数企业场景需求，而无需稀罕开启“深度念念考模式”，确切终了“默许即高效、即智能”。

企业场景下模子才调的提高，离不开高质料数据赈济

Yuan3.0 Flash的优秀阐扬，并非仅依赖算法自己，而是缔造在面向企业真实场景的数据准备职责之上。与通用对话或互联网语料不同，模子在锻练阶段重心引入了宽阔逼近企业坐褥环境的数据花样，包括：

长篇本事文档、经管有计议材料、操作手册、投标文献等复漫笔本财务与业务报表、多级表头表格、嵌套表格与图文混排页面跨页面、多模态信息结伙贯通的真实业务场景

围绕这些输入花样，锻练数据重心掩盖多模态信息检索、对比分析、摘录生成、表格分析与贯通等企业高频任务。同期，在数据构建阶段，团队显式差异了无需深度推理即可完成的任务与确需多步推理的复杂任务，为后续强化学习阶段优化推理恶果提供了明确的数据基础。

面向企业场景的多模态基础才调

在才调层面，Yuan3.0 Flash 并非围绕单一 Benchmark 优化，而是针对企业真实业务需求进行了系统想象。在多项企业级评测中，模子在以下才调上阐扬杰出：

检索增强生成（RAG）：在 ChatRAG、DocMatix 等评测中获得卓越收获复杂表格与文档贯通：在 MMTab 等多任务基准中展现卓越才调高质料归来生成：在 SummEval 上兼顾语义一致性与事实准确性多模态推理恶果：在 ChartQA、DocVQA 等任务中，以更少token 达到并列前沿大模子的精度

联接对128K长陡立文的通晓支握，Yuan3.0 Flash 大致胜任企业级长文档分析、跨页面信息检索与多源学问交融任务（如图5）。

图5： Yuan3.0 Flash在"大海捞针"测试中终了100%精度调回

开源基础模子，鼓励可落地的大模子智能

Yuan3.0 Flash大模子全面开源，不仅包括模子权重（16bit与4bit模子）、本事阐明，也涵盖完竣的锻练递次与评测适度，支握社区在此基础上进行二次锻练与行业定制。YuanLab.ai团队但愿通过这一开源基础模子，鼓励大模子从“才调展示”走向“边界化落地”，为企业提供 可控资本、可展望性能、可握续演进 的多模态智能底座。

“更少算力，并不虞味着更弱才调；更高智能，也不一定依赖更大模子。” Yuan3.0 Flash 恰是在这一理念下，对下一代基础大模子花样的一次探索与现实。

源Yuan 3.0基础大模子将包含Flash、Pro和Ultra等版块，模子参数目为40B、200B和1T等，咱们将链接发布商量职责。

代码开源结伙：https://github.com/Yuan-lab-LLM/Yuan3.0

论文结伙：https://github.com/Yuan-lab-LLM/Yuan3.0/blob/main/docs/YUAN3.0_FLASH-paper.pdf

模子下载结伙：1)Huggingface：

https://huggingface.co/YuanLabAI/Yuan3.0-Flash

https://huggingface.co/YuanLabAI/Yuan3.0-Flash-4bit

2)ModelScope：

https://modelscope.cn/models/Yuanlab/Yuan3.0-Flash

https://modelscope.cn/models/Yuanlab/Yuan3.0-Flash-int4欧洲杯体育