Radical Numerics开源30B参数RND1，AI自我进化关键一步

快速阅读: AI研究机构Radical Numerics发布RND1-Base，最大规模开源扩散语言模型，参数30B，活跃3B，采用稀疏专家混合架构，显著提升推理效率和生成灵活性，开源权重和代码，推动扩散模型研究。

AI模型架构正经历深刻变革，扩散语言模型因其并行生成和高效推理能力，成为业界关注焦点。10月9日，AI研究机构Radical Numerics发布了RND1-Base，这是目前最大规模的开源扩散语言模型，参数规模达30B，其中活跃参数为3B，采用稀疏专家混合架构。该模型不仅在基准测试中表现优异，还开源了完整权重、训练配方和推理代码，旨在加速扩散语言模型领域的后训练与推理研究。

RND1-Base基于Qwen3-30BA3B的自回归基础模型，通过简单的连续预训练实现向扩散范式的无缝转换。转换过程中采用双向掩码机制和特定层学习率，以保留原有知识，并使用8M标记的大批量训练确保稳定性，最终在500B标记上完成预训练。这种高效方案避免了从零开始训练带来的资源浪费，展示了Radical Numerics在模型重用方面的创新思维。

与传统自回归语言模型逐个生成token的顺序模式不同，RND1将文本生成视为类似图像去噪的过程，从噪声中并行精炼整个序列，支持双向注意力机制。这不仅提升了生成的灵活性和可控性，还显著降低了推理延迟，尤其适用于复杂推理和代码生成任务。

在通用基准测试中，RND1-Base展现了强大的实力，超越了Dream-7B和LLaDA-8B等开源扩散语言模型。具体成绩包括MMLU多任务语言理解57.2%、GSM8K数学推理72.1%、MBPP代码生成51.3%。这些指标涵盖推理、STEM和编程领域，证明该模型在保持自回归基础优势的同时，实现了扩散架构的性能提升。

RND1的稀疏专家混合设计在30B总参数中仅激活3B参数，优化了计算效率，适合大规模部署。该模型尚未进行后训练，贪婪采样时可能偶尔出现重复，但开源代码已集成FlashInfer和SGLang后端，支持快速推理迭代。

Radical Numerics定位为下一代AI实验室，专注于构建递归自我改进引擎。RND1正是这一愿景的产物，通过自动化AI研究平台，让模型参与优化下一代AI。该团队由来自DeepMind、Meta、Liquid和斯坦福等顶尖机构的研究员与工程师组成，目标是让AI自主设计AI，推动科学与工业发现加速。

开源RND1旨在激发社区探索扩散语言模型的推理优化和后训练潜力。当前，扩散模型在语言领域的应用正从实验阶段转向实用阶段，尤其是在并行生成长序列任务方面展现出优势。业内预计，此举将促进更多自回归模型向扩散模型转换的实验，填补开源生态在高效生成模型方面的空白。

尽管RND1在规模和性能上领先，但扩散模型的泛化能力和内存开销仍需进一步优化。未来结合多目标微调或混合架构，有望进一步释放其潜力。Radical Numerics已开放招聘，欢迎AI从业者加入这一前沿探索。

此次突破标志着扩散语言模型从理论探索向工程实践的重要转折点。通过开源如此大规模的扩散模型，Radical Numerics不仅为研究社区提供了宝贵工具，也为AI自我改进和递归优化开辟了新路径。随着更多研究者参与这一领域，扩散语言模型或将成为下一代AI架构的重要方向。

(以上内容均由Ai生成)