Featured 开源大模型

源3.0：多模态基础大模型

Yuan 3.0 Flash

40B

3.7B 激活

MoE架构高效算力开源免费企业易落地

源 3.0 是 MoE 架构的多模态大模型，其创新了逐层自适应专家裁剪算法（LAEP），实现模型参数量降低 33%，预训练性能与算力效率均提升 49%；面向企业级场景，在文本检索、多模态表格分析、复杂表格理解与摘要生成等能力上，性能超过 OpenAI GPT-5.1。

↓52.91%

训练耗时

单位算力下的平均精度是Llama3-70B的18.8倍

模型能力

Humaneval代码生成测试，Few-shot下达到78.1%准确率

特性优势

创新的技术架构，带来卓越的性能表现和极致的算力效率

算力效率高

依托 LAEP 自适应专家裁剪算法与 MoE 架构优势，实现高性能与低算力消耗的完美平衡。

极致算力效率

每token的算力需求仅为Llama3-70B的1/19，在相同算力下，平均精度达到Llama3-70B的18.8倍，大幅降低推理成本。

卓越性能表现

在数理逻辑、代码生成、知识问答等多个维度精度对标Llama3-70B，用更少的资源实现更强的能力。

创新MoE架构

基于LFA+Attention Router的创新MoE模型结构，通过智能的专家选择机制，实现参数与性能的最优平衡。

海量训练数据

训练数据扩充至2000B Tokens，包含600+种代码数据、专业领域语料，以及超过1000万条高质量合成数据。

完全开源免费

模型全面开源，免费可商用，无需申请授权，助力开发者和企业快速构建AI应用。

性能对比

企业级核心任务性能超越 OpenAI GPT-5.1，综合实力领跑行业主流大模型

长上下文测试（D2D、QuAC、QReCC）

Models	Avg. All	D2D	QuAC	QReCC	CoQA	DoQA	CFQA	SQA	TCQA	HDial	INSCIT
Models	Acc. %	Acc. %	Acc. %	Acc. %	Acc. %	Acc. %	Acc. %	Acc. %	Acc. %	Acc. %	Acc. %
DeepSeek-V3	50.47	31.59	28.86	49.31	76.98	26.11	83.49	82.13	46.69	47.43	32.08
DeepSeek-R1	39.42	21.46	22.23	42.41	62.53	24.68	81.48	82.06	30.74	37.97	28.68
OpenAI GPT-4o	50.54	32.76	26.56	49.3	76.11	28.78	81.85	81.14	49.75	41.29	26.69
OpenAI GPT-o3	44.06	23.05	20.82	40.42	69.42	18.56	67.75	86.71	45.85	41.29	26.69
OpenAI GPT-5.1	46.58	28.98	22.52	45.78	68.98	22.06	77.7	82.52	45.21	45.65	26.42
Yuan3.0-1010B	62.26	40.74	36.96	41.74	89.86	64.72	76.81	89.52	73.53	73.45	38.35

Models	Avg. All	问答					事实核查					TSD		TCE	TCL	MCD	RCE
		TABMWP	WTQ	HiTab	TAT-QA	FeTaQA	TabFact	InfoTabs	HiTab_T2T	Rotowire	WikiBIO
		Acc. %	Acc.%	Acc.%	Acc.%	BLEU	Acc.%	Acc.%	BLEU	BLEU	BLEU	TSD		TCE	TCL	MCD	RCE	Row. %	Col. %	Acc.%	Acc.%	F1%	Row F1%
GLM-4.5V	52	88.21	77.42	51.52	62.69	5.25	89.44	79.48	5.17	4.48	2.69	47.4	89.7	52.74	50.84	43.47	50.77
OpenAI GPT-4V	29.9	60.5	48	27.5	32.5	11.04	45.5	65.6	2.98	4.23	1.94	19	38	14.36	27.91	3.5	48.52
OpenAI GPT-5.1	36.49	62.45	64.02	19.87	19.74	7.11	57.69	64.19	1.39	1.54	3.13	44.33	94.85	29.61	16.79	13.38	42.11
Yuan3.0-1010B	67.5	94.29	78.87	79.51	74.35	54.72	89.28	84.98	36.03	14.68	13.59	63	87.9	66.93	74.48	73.82	67.55

Models	Avg. All	HiTab	WTQ	FeTaQA	TabFact	InfoTabs
Models	Acc. %	Acc. %	Acc. %	BLEU	Acc. %	Acc. %
DeepSeek-R1	73.88	82.4	79.6	26.2	90.8	90.4
DeepSeek-V3	72.22	82.2	69.9	24.7	92.4	91.9
GPT-4.1	70.96	84.7	68	25.1	86.5	90.5
GPT-4.1 mini	70.24	80.7	69.5	27.2	84.9	88.9
GPT-5.1	74.41	96.82	95.61	24.02	69.32	86.27
Yuan3.0-40B	87.47	96	95.71	58.12	95.99	91.54
Yuan3.0-1T

Models	平均精度	词汇重叠		语义相似度	事实一致性
Models	平均精度	ROUGE-1	ROUGE-2	BERTScore	SummaC
DeepSeek-V3	59.28	25.5	9.2	86.3	68.2
Gemini-2.0-Flash	45.35	24.8	8.7	85.7	29.5
Claude-3.5-Sonnet	45.43	24.1	8.3	85.2	30.7
OpenAI GPT-4-Turbo	45.81	24.7	8.6	85.6	31
OpenAI GPT-4o	46.53	25	8.9	85.9	32.5
OpenAI GPT-4o-mini	46.73	24.7	8.7	85.6	33.6
OpenAI o1	46.5	24	8.1	85.1	34
OpenAI o1-mini	46.58	24.6	8.5	85.5	33.4
OpenAI GPT-5.1	49.33	28.4	10.3	84.8	39.6
Yuan3.0-1T	61.64	46.8	28.5	89	53.2

Models		OCRBench	ChartQA	ChartQAPro	ChartMuseum	DocVQA
GLM-4.6V	Thinking	86.5		65.5	58.4
GLM-4.6V-Flash	-	84.7		62.6	49.8
GLM-4.5V	-	86.5		64	55.3
GLM-4.1V-9B-Thinking	Thinking	84.2		59.5	48.8
Qwen2.5-VL-72B	-		89.5			96.4
InternVL3-78B	-		89.7			95.4
Qwen3-VL-235B-A22B-Thinking	Thinking	87.5	90.3	63.6	/	96.5
Kimi-VL-A3B-Thinking-2506	Thinking	86.9		23.7	33.6
Step3-321B	-	83.7		56.4	40
Yuan-3.0-40b	Thinking		89.2
Yuan3.0-1T	Non-Thinking
Yuan3.0-1T	Thinking		90.4

Models		MathVistamini	MathVersemini	AI2D
Qwen2.5-VL-72B	-	74.2	47.3	88.7
Qwen3-VL235B-A22B	Thinking	85.8	85	89.2
InternVL3-78B	-	79	51	89.7
GPT-5.1	Non-Thinking
GPT-5.1	Thinking
Yuan-3.0-1T	Non-Thinking
Yuan-3.0-1T	Thinking

Models		AIME25	GPQA-Diamond	MMLU Pro
Deepseek-V3.2	-	93.1	82.7	86.2
Kimi-K2	Thinking	94.5	84.5	84.8
GPT-5.1	Non-Thinking	38	64	80
GPT-5.1	Thinking	94	88	87
Yuan-3.0-40b	Non-Thinking
Yuan-3.0-40b	Thinking
Yuan-3.0-1T	Non-Thinking
Yuan-3.0-1T	Thinking

技术架构

架构算法双重优化，实现高精度、高效率、高适配的企业级多模态能力

局部注意力过滤增强机制 (LFA)

摒弃传统注意力对所有 token 平等处理，采用 “局部优先、全局补充” 分层建模，先以卷积强化局部短依赖，再建模全局长依赖，兼顾语义理解精度与参数量、内存开销。

MoE 架构高效设计

提出Attention Router 门控网络，突破传统 MoE 门控只看 token 与专家点积、忽略专家间协同的局限，选择更适配的专家组合，提升协同推理精度。

多模态融合机制

采用统一多模态编码—解码架构，图像经视觉编码与Token重组后，与文本Token实现序列级拼接，达成高效端到端的多模态理解与生成。

预训练：强“专”扩“宽”

先清洗掉新闻、生活等泛内容，把教材、论文、代码等专业语料占比拉高；同时配图文对，让模型同步学语言也学视觉，打好多模态底子。

微调：会“思”也会“用”

在 CoT 推理数据的基础上增补反思、验证类样本，让模型学会自我检查；图文任务覆盖科研、编程、办公等真实场景，专业属性继续加厚。

强化学习：有“梯”有“尺”

所有样本按领域、难度、多样性打标签，逐级升维；每条数据都带可验证的参考答案或评分脚本，结果与过程双维奖励，模型越学越靠谱。

后训练强化学习：动态采样优化

提出DS-DAPO动态采样优化算法，优化常规 DAPO 过采样问题，以同规模采样 + 重采样，减少 52.91% 训练耗时，兼顾效率与精度。

后训练过程监督：反思抑制机制

采用RSPS过程监督算法，结合动态阈值机制惩罚无反思/过度反思样本，减少推理输出 tokens 的同时，保障核心任务精度。

开源与商用

完全开源，免费可商用，无需任何授权

完全开源

模型权重、代码、文档全面开源，支持社区共建共享。

免费商用

无需支付任何费用，即可用于商业项目和产品开发。

无需授权

无需申请或等待审批，下载即可使用，加速落地。

社区支持

活跃的开发者社区，提供技术支持和最佳实践分享。