主要观点总结
腾讯推出新一代旗舰大模型混元Turbo，采用分层异构MoE架构，性能位于国内第一梯队。混元Turbo在Pretrain和Postrain阶段进行优化，通过技术解读展示了模型升级的秘密。模型在文本创作、数学和逻辑推理能力上专项强化，并优化了推理部署成本和推理时延。此外，混元Turbo还支持AI搜索联网插件，具备精准阅读理解能力的SearchGPT用于AI深度问答。底层建立在腾讯自研的Angel机器学习平台和算力基础设施上，支持FP8量化压缩和定制算子加速推理性能。
关键观点总结
关键观点1: 混元Turbo采用分层异构MoE架构，性能位于国内第一梯队。
腾讯推出新一代旗舰大模型混元Turbo，其采用分层异构MoE架构，性能在业界公认的benchmark指标上处于领先地位。相较上一代模型，混元Turbo在参数规模和效果上都有了显著提升。
关键观点2: 混元Turbo在Pretrain和Postrain阶段进行优化。
混元Turbo通过Pretrain和Postrain阶段的优化，提高了模型效果。在Pretrain阶段，采用Scaling Law秘诀和新的异构MoE结构来提高模型效果；在Postrain阶段，通过自研的混元CriticModel和RewardModel，并采用离线数据和在线采样结合的强化学习策略来提升模型性能。
关键观点3: 混元Turbo专项强化了文本创作、数学和逻辑推理能力。
针对当前大模型在文本创作、数学和逻辑推理方面的挑战，混元Turbo进行了专项强化。通过优化训练数据和强化学习技术，提高了模型在数学和逻辑推理能力方面的表现。同时，针对高质量文本创作，引入了专家标注团队和创作指令约束体系。
关键观点4: 混元Turbo支持AI搜索联网插件和精准阅读理解能力的SearchGPT。
混元Turbo除支持各类大模型能力外，还支持AI搜索联网插件。通过整合腾讯的内容生态和搜索能力，实现了更精准的搜索和AI深度问答功能。此外，基于混元通用大模型底座的SearchGPT具备精准阅读理解能力。
关键观点5: 底层建立在腾讯自研的Angel机器学习平台和算力基础设施上。
惊艳的模型效果离不开底层算法和平台的支持。腾讯混元大模型建立在腾讯全面自研的Angel机器学习平台和强大的算力基础设施之上。面对万亿级MoE模型的挑战，通过引入大BatchSize训练、FP8低精度训练等优化策略，提高了训练性能和降低了成本。
正文
【新智元导读】
鹅厂新一代旗舰大模型混元Turbo技术报告首次曝光。模型采用全新分层异构的MoE架构，总参数达万亿级别，性能仅次于GPT-4o，位列国内第一梯队。
近期，腾讯混元推出新一代旗舰大模型——混元Turbo。
作为国内率先采用MoE结构大模型的公司，腾讯继续在这一技术路线上进行技术创新。
相较上一代混元Pro的同构MoE大模型结构，混元Turbo采用了全新的分层异构MoE结构，在参数总规模上依然保持万亿级。
公开信息显示，当前混元Turbo模型在业界公认的benchmark指标上处于国内行业领先地位，与国外头部模型如GPT-4o等相比也处于第一梯队。
另外，在刚刚发布的国内第三方权威评测机构评测中，混元Turbo模型位列国内第一。
我们拿到了混元Turbo的技术解读，从Pretrain、Postrain和专项能力突破几个角度，深入展示了模型升级的秘密。
首先，业界目前普遍公认，大模型Pretrain成功的关键秘诀之一是Scaling Law。
可以简单理解为，训练数据量越大，模型效果越好；参数量越大，模型效果越好。
其中后者意味着，如果想要模型具备更高的效果天花板，就需要设计较高参数量的大模型，但大参数量设计也意味着较高的部署成本和较低的训练推理性能。
通过较多的专家数和较小激活量设计，在模型整体参数量依然保持万亿级规模前提下，通过整体算法升级和训练推理框架加速的端对端优化，模型效果相比上代混元Pro有较大提升。
与此同时，模型训练推理效率也有超1倍的提升，并最终带来了50%的推理部署成本下降，以及20%推理时延降低。
其次，在Postrain阶段，腾讯混元Turbo自研了混元CriticModel和RewardModel，用于构建自提升pipeline，并在RLHF阶段全面采用了离线数据和在线采样结合的强化学习策略。
相对传统PPO及DPO，其整体可控性更好，效果上限更高。
除了在通用能力方面持续优化外，针对当前业界大模型普遍存在的文科能力「重而不强」，理科能力普遍偏弱的现状，本次混元Turbo大模型也专项强化了高质量文本创作、数学、逻辑推理等典型大模型文理科能力。
当前大模型普遍存在的一般文本创作尚可，但专业化写作机器味浓、不够信雅达，字数控制等指令跟随能力不足等问题。
腾讯混元Turbo模型做了大量高质量文本创作专项优化。
以中、高考中文写作为例，腾讯混元团队引入专家标注团队，构建高质量写作评估模型，同时，构建创作指令约束体系，提升复杂指令跟随能力。
通过以上优化，高考作文写作这一项能力上，混元Turbo在专家标注团队中自评达一类卷水平，在刚刚过去的24年高考中，混元Turbo获得第三方大模型高考作文写作评测第一名。
如何大幅提升模型的数学能力是一项非常有挑战性的任务。腾讯混元采用了以下几种技术方案来提升模型效果。
最终，混元Turbo在数学推理能力上有了较大提升，在内外部多种评测集上达到了业界先进水平。
推理的第一大难点在于推理问题的多样性，往往用户的问题千奇百怪，要在PostTrain阶段比较好的解决这个难点，必须要提升SFT数据中推理问题的广度和质量。
预训练中的推理问题非常丰富，但是结构化不足，往往一个比较好的问题隐藏在某一个文档的最后。
为了解决这个问题，腾讯基于腾讯混元训练了一个问题抽取模型（Problem Extraction Model），抽取出千万级量级的推理类指令。
另外，通过公开渠道获取全网偏推理的问题，大幅补充了SFT数据中推理问题的多样性。
对此，腾讯训练一个critique模型对推理类训练数据进行打分，然后迭代更新答案，直到构建推理过程和结论完全正确的训练。
经过上述优化，混元Turbo较以往的版本在内部推理评测中总体提升9%，在一些较为难的子类上例如因果、符号推理等上都取得了明显进步。
作为腾讯混元新一代旗舰大模型，混元Turbo除支持各类大模型能力外，也支持AI搜索联网插件。
通过整合腾讯优质的内容生态（如微信公众号、视频号等）和全网搜索能力，同时基于Planner+Action Agent架构，混元Turbo AI搜索基于混元通用大模型底座，使用丰富的搜索数据进行多任务精调，得到更懂搜索、具备精准阅读理解能力的SearchGPT，用于AI深度问答。
目前通过AI搜索的强大加持，混元Pro具备强大的时新、深度内容获取和AI问答能力。
腾讯混元大模型全面建立在腾讯全面自研的Angel机器学习平台和强大的算力基础设施之上。
