腾讯混元姚顺雨团队回应参数争议,计划训练更大规模模型
腾讯混元姚顺雨团队:Hy4 仍有很大改进空间,计划训练更大规模模型
姚顺雨在 Reddit AMA 上正面回应了混元只有 7000 亿参数的质疑,承认会跟进更大规模训练,还透露可能在 240 亿到 310 亿参数稠密模型上动手。做大模型选型或者关注国内模型竞争格局的开发者,能从中看到混元后续路线的方向。
11 月 21 日凌晨,腾讯首席 AI 科学家、混元大模型负责人姚顺雨与团队在 Reddit 进行了 120 分钟 AMA。面对字节跳动、Kimi 推进 3 万亿甚至 5 万亿参数模型的质疑,混元团队回应称,其模型仍停留在 7000 亿参数规模,但 Hy3 和 Hy4 已经证明扎实的小模型也能超过更大的模型,且成本更低。
团队同时承认 Hy4 仍有较大改进空间,重点在后训练环节:他们正投入大量精力进行大规模强化学习,同时改善用户体验与模型安全,并明确表示计划训练更大规模的模型。对于社区关心的稠密模型路线,团队称可能推出 240 亿到 310 亿参数的稠密模型,但大概率不会发布对标 Qwen 27B 的小模型。
姚顺雨本人有清华姚班与普林斯顿博士背景,2024 年加入 OpenAI 参与 operator 和 deep research 开发,并提出 ReAct 智能体范式。2025 年 12 月腾讯成立 AI Infra 部、AI Data 部和数据计算平台部,姚顺雨向总裁刘炽平汇报,同时兼任 AI Infra 部与大语言模型部负责人。今年 7 月混元多模态与大语言模型部门合并为统一的基础模型部,由他统一管理。
腾讯混元姚顺雨团队:Hy4 仍有很大改进空间,计划训练更大规模模型
IT之家 11 月 21 日消息,11 月 21 日凌晨,腾讯首席 AI 科学家、混元大模型负责人姚顺雨和团队成员,在 Reddit 进行了一场持续 120 分钟的 AMA,回答全球开发者关于混元的“任何问题”。 问答环节,有人询问:字节跳动、Kimi 等似乎都在往 3 万亿、甚至 5 万亿参数的超大模型推进,而你们还在 7000 亿。为什么?你们怎么看参数量对模型能力的实际影响?这方面有什么计划? 混元团队回应:“Hy3 和 Hy4 已经表明, 做得扎实的小模型也能超过更大的模型。 它们的成本也更低,而且在这个过程中,你能学到更多、收获更多。” 不过,混元团队也表示,Hy4 仍有很大的改进空间,尤其是通过后训练。“我们正投入大量精力进行大规模强化学习,同时继续改善用户体验和模型安全。 我们还计划训练更大规模的模型 。” 对于是否有可能推出 240 亿到 310 亿参数的稠密模型?该团队表示:“有可能,我们正在考虑。” 对于是否会发布对标 Qwen 27B 稠密模型的小模型?该团队表示:“第一个,有可能。第二个,大概不会。” IT之家注:姚顺雨本科毕业于清华大学姚班,获普林斯顿大学计算机科学博士学位,2024 年加入 OpenAI 并参与智能体产品 operator 与 deep research 开发。其研究聚焦语言智能体与现实世界交互,提出 ReAct 方法首创“推理 — 行动”结合的智能体范式,被学术界与工业界广泛采纳。 2025 年 12 月,腾讯升级大模型研发架构,新成立 AI Infra 部、AI Data 部、数据计算平台部,全面强化其大模型的研发体系与核心能力。姚顺雨出任“CEO / 总裁办公室”首席 AI 科学家,向腾讯总裁刘炽平汇报;同时兼任 AI Infra 部、大语言模型部负责人,向技术工程事业群总裁卢山汇报。 今年 7 月,腾讯宣布混元多模态模型部门与大语言模型部门合并,成立基础模型部,统一由姚顺雨管理,以进一步提升模型研发和协同效率,探索全模态模型的智能上限。
This report is categorized under AITOP's "Models" desk, focusing on China's AI industry and domestic foundation model ecosystem. Within our cross-regional analytical framework, it directly maps to US-China foundation model benchmarks and commercialization comparison and AI developer toolchains, coding agents, and engineering workflows. Key entities and technical topics under continuous tracking include Tencent Hunyuan, Shunyu Yao, reinforcement learning, Qwen.
Source attribution: curated from IT之家.