告别Token浪费，大模型迎来“减脂增肌”
作者 | 云鹏
编辑 | 漠影
当前，“龙虾”类AI智能体在全球持续升温，但企业在享受效率提升的同时，也面临显著挑战：除数据安全外，高Token消耗带来的成本压力尤为突出——简单一句“你好”，就可能触发数十美元的推理开销。
对个人用户尚可灵活应对，而企业级AI应用则必须直面高Token消耗引发的成本与延迟问题。OpenClaw等Agent本质是AI的“手脚”，其核心能力仍依赖底层大模型。因此，解决成本难题的关键，在于提升模型本身的效率。
企业在Agent底座选择上长期陷入两难：追求高智能往往意味着成倍增加Token消耗和推理延迟；选择低成本方案，则常以牺牲能力为代价。对企业而言，任何无效Token消耗都等于真金白银的流失。模型效率，已成为决定企业智能化水平的核心要素。
近期，国内AI团队YuanLab.ai发布并开源多模态基础大模型Yuan3.0 Ultra，在国内外引发广泛关注。
发布当日，团队同步公开完整模型权重、训练代码与技术报告：
开源地址
GitHub项目：https://github.com/Yuan-lab-LLM/Yuan3.0-Ultra
论文链接：https://arxiv.org/abs/2601.14327
作为当前全球仅有的三个万亿级开源多模态大模型之一，Yuan3.0 Ultra的核心突破在于LAEP（基于学习的自适应专家剪枝）技术：在不破坏功能结构前提下精准剪除冗余参数，实现参数规模减少33%，预训练速度提升49%，单次推理时间缩短14%，同时准确率提升16%。
该模型已在检索增强生成（RAG）、多模态文档理解、表格数据分析、内容摘要与工具调用等典型企业场景中展现突出能力。
在YuanLab.ai看来，效率不是成本优化的“可选项”，而是模型能力的固有组成部分。其目标是让企业以更少算力开销，产生更大智能价值。Yuan3.0 Ultra验证了旗舰级智能可兼具高效性、经济性与可控性，为企业Agent规模化落地提供了关键底座支撑。
三项关键技术创新
1. 自适应专家裁剪（LAEP）：让模型“精兵简政”
2026年初发布的Yuan3.0 Flash已通过RIRM、RAPO等技术验证“高智能≠高Token消耗”。Yuan3.0 Ultra进一步升级，通过LAEP、LFA、RIRM等全链路创新，实现“无需无节制堆算力即可获得更强智能”。
MoE架构本意是“专业分工、高效协作”，但在工程实践中却普遍存在专家负载严重失衡问题：训练稳定阶段，最高与最低专家负载差异可达近500倍——少数专家承担绝大部分计算任务，大量低贡献专家长期处于“摸鱼”状态，造成参数虚高、算力浪费与落地成本居高不下。
▲预训练过程中各层专家token分布演化趋势（左）及稳定阶段负载分布（右）
行业主流方案（如Mixtral、DeepSeek-V3）依赖辅助损失函数约束专家利用率，难以兼顾精度与均衡。YuanLab.ai提出的LAEP算法，基于预训练中自然形成的专家功能专一化规律，动态识别并剔除低贡献冗余专家，进行结构自适应裁剪与重排，实现“多劳多得、按劳分配”，将算力资源倾斜至高价值专家。
该机制类比人脑神经连接的优化过程：保留高效信息通路，削弱低效连接，在强化专业化能力的同时提升算力利用效率。实测结果显示：模型参数从1515B优化至1010B（↓33.3%），预训练算力效率↑49%，单次推理仅激活68.8B参数，性能稳居头部阵营。
▲Yuan3.0 Ultra采用LAEP+专家重排机制有效提升训练效率
2. 局部过滤注意力（LFA）：强化长上下文语义建模
企业实际场景中，模型需处理图文混排财报、多页技术文档、跨文档知识检索等复杂任务，对长上下文语义关联能力要求极高。Yuan3.0 Ultra引入局部过滤注意力机制（LFA），精准筛选与强化关键语义关联，有效过滤无效注意力干扰，显著提升模型对长文本、复杂结构信息的理解能力。
在图文混排文档解析、跨文档知识检索、多步骤Agent推理等任务中，模型均保持高准确率。
3. 反思抑制与感知优化（RIRM+RAPO）：终结“过度思考”
Agent连续任务链中，大模型常陷入“过度反思”——答案已正确，却反复推敲，导致Token消耗激增、响应延迟拉长，成为企业级AI落地的成本黑洞。
Yuan3.0 Ultra通过两大技术根治此问题：
- 反思抑制奖励机制（RIRM）：在万亿参数规模强化学习中，对反思次数施加精细化奖励约束，引导模型在获得可靠答案后主动终止无效反思，同时保留深度推理能力。
- 反思感知自适应策略优化算法（RAPO）：针对万亿级MoE模型强化学习训练不稳定、效率低的行业痛点，完成算法架构深度优化，大幅提升训练稳定性与效率。
总体来看，LAEP决定“用多少有效参数去学”，LFA决定“如何精准捕捉有效信息”，RAPO保障“如何稳定高效地学习”，RIRM明确“推理到什么程度该停”。这一系列底层创新，让万亿级旗舰模型真正实现“企业用得起、用得好、能落地”。
五大企业级能力验证
依托上述技术创新，Yuan3.0 Ultra从设计之初即聚焦企业真实场景，是驱动复杂智能体（Agent）的“核心引擎”。
1. 检索增强生成（RAG）能力领先
在ChatRAG、DocMatix等评测中表现优异：ChatRAG涵盖长文本、短文本与结构化检索及维基百科检索，Yuan3.0 Ultra平均准确率达68.2%，10项任务中9项位列第一。
2. 多模态复杂表格理解能力突出
在MMTab评测（覆盖表格问答、事实核查、长文本表格处理）中，Yuan3.0 Ultra以62.3%平均准确率超越Claude Opus 4.6与Gemini 3.1 Pro。
3. 高质量总结生成能力强
在SummEval文本摘要评测（综合评估词汇重叠、语义相似度与事实一致性）中，Yuan3.0 Ultra平均精度达62.8%，展现出优异的历史信息压缩与多源语义整合能力。
4. 工具调用能力均衡稳健
在BFCL V3工具调用评测中，Yuan3.0 Ultra平均得分67.8%，涵盖静态函数选择、动态实时执行、多轮上下文维护、相关性检测与无关调用拒绝等维度，体现真实业务场景下的强自动化执行能力。
5. 数据库查询生成能力优异
在Text-to-SQL领域，Yuan3.0 Ultra在Spider 1.0及BIRD评测中表现突出，可高效将业务问题转化为SQL语句，并结合结果完成分析与总结，有力支撑企业数据驱动决策。
综合测试表明，Yuan3.0 Ultra是真正具备实战能力的企业级大模型。
结语：提升单位算力的真实智能密度
“龙虾”的热潮印证了AI的巨大潜力，也凸显出其在企业落地时面临的现实瓶颈：高成本、高延迟、难部署。
从Flash到Ultra，YuanLab.ai始终聚焦企业核心痛点，其技术演进目标清晰而坚定：提升单位算力所产生的真实智能密度，推动大模型能力切实转化为企业可落地、可负担、可稳定复用的业务价值。
Yuan3.0 Ultra标志着大模型正从“能力展示”迈向“规模化落地”，为破解MoE架构预训练效率低、推理成本高的行业难题，提供了全新技术路径与实践范式。
