README_CN.md · tencent/Hunyuan-A13B-Instruct at main

🫣 Hugging Face | 🖥️ Official Website | 🕖 HunyuanAPI | 🕹️ Demo | ModelScope

模型介绍

随着人工智能技术的快速发展，大型语言模型（LLMs）在自然语言处理、计算机视觉和科学任务等领域取得了显著进展。然而，随着模型规模的扩大，如何在保持高性能的同时优化资源消耗成为一个关键挑战。为了应对这一挑战，我们研究了混合专家（MoE）模型，当前亮相的 Hunyuan-A13B 模型，拥有800亿总参数和130亿激活参数。不仅在效果上达到了高标准，而且在尺寸上也做到了极致的优化，成功平衡了模型性能与资源占用。

核心特性与优势

小参数量，高性能：仅激活130亿参数（总参数量800亿），即可在多样化基准任务中媲美更大规模模型的竞争力表现
混合推理支持：同时支持快思考和慢思考两种模式，支持用户灵活选择
超长上下文理解：原生支持256K上下文窗口，在长文本任务中保持稳定性能
增强Agent能力：优化Agent能力，在BFCL-v3、τ-Bench等智能体基准测试中领先
高效推理：采用分组查询注意力（GQA）策略，支持多量化格式，实现高效推理

为何选择Hunyuan-A13B？

作为兼具强大性能与计算效率的大模型，Hunyuan-A13B是研究者与开发者在资源受限条件下追求高性能的理想选择。无论学术研究、高性价比AI解决方案开发，还是创新应用探索，本模型都能提供强大的基础支持。

新闻

2025.6.26 我们在Hugging Face开源了 Hunyuan-A13B-Instruct，Hunyuan-A13B-Pretrain, Hunyuan-A13B-Instruct-FP8， Hunyuan-A13B-Instruct-GPTQ-Int4。并发布了技术报告和训练推理操作手册，详细介绍了模型能力和训练与推理的操作。

模型结构

Hunyuan-A13B采用了细粒度混合专家（Fine-grained Mixture of Experts，Fine-grained MoE）架构，包含800亿参数和130亿激活参数，累计训练了超过 20T tokens。该模型支持 256K 的上下文长度，以下为模型结构细节:

总参数: 80B
激活参数: 13B
层数: 32
Attention Heads: 32
共享专家数: 1
非共享专家数: 64
路由策略: Top-8
激活函数: SwiGLU
隐层维度: 4096
专家隐层维度: 3072

Benchmark评估榜单

Hunyuan-A13B-Pretrain 在 12/14 个任务上超越了Hunyuan上一代52B激活参数的MoE模型Hunyuan-Large，证实了它在预训练任务上出色的能力。与业界更大参数量的Dense和MoE模型相比, Hunyuan-A13B在多个代码和数学任务上都取得了最高分数。在MMLU, MMLU-PRO等诸多众聚合任务上, Hunyuan-A13B达到了与Qwen3-A22B模型同等的水平，表现出优秀的综合能力。

Model	Hunyuan-Large	Qwen2.5-72B	Qwen3-A22B	Hunyuan-A13B
MMLU	88.40	86.10	87.81	88.17
MMLU-Pro	60.20	58.10	68.18	67.23
MMLU-Redux	87.47	83.90	87.40	87.67
BBH	86.30	85.80	88.87	87.56
SuperGPQA	38.90	36.20	44.06	41.32
EvalPlus	75.69	65.93	77.60	78.64
MultiPL-E	59.13	60.50	65.94	69.33
MBPP	72.60	76.00	81.40	83.86
CRUX-I	57.00	57.63	-	70.13
CRUX-O	60.63	66.20	79.00	77.00
MATH	69.80	62.12	71.84	72.35
CMATH	91.30	84.80	-	91.17
GSM8k	92.80	91.50	94.39	91.83
GPQA	25.18	45.90	47.47	49.12

Hunyuan-A13B-Instruct 在多项基准测试中取得了极具有竞争力的表现，尤其是在数学、科学、agent等领域。我们与一些强力模型进行了对比，结果如下所示。

Topic	Bench	OpenAI-o1-1217	DeepSeek R1	Qwen3-A22B	Hunyuan-A13B-Instruct
Mathematics	AIME 2024 AIME 2025 MATH	74.3 79.2 96.4	79.8 70 94.9	85.7 81.5 94.0	87.3 76.8 94.3
Science	GPQA-Diamond OlympiadBench	78 83.1	71.5 82.4	71.1 85.7	71.2 82.7
Coding	Livecodebench Fullstackbench ArtifactsBench	63.9 64.6 38.6	65.9 71.6 44.6	70.7 65.6 44.6	63.9 67.8 43
Reasoning	BBH DROP ZebraLogic	80.4 90.2 81	83.7 92.2 78.7	88.9 90.3 80.3	89.1 91.1 84.7
Instruction Following	IF-Eval SysBench	91.8 82.5	88.3 77.7	83.4 74.2	84.7 76.1
Text Creation	LengthCtrl InsCtrl	60.1 74.8	55.9 69	53.3 73.7	55.4 71.9
NLU	ComplexNLU Word-Task	64.7 67.1	64.5 76.3	59.8 56.4	61.2 62.9
Agent	BDCL v3 τ-Bench ComplexFuncBench $C^3$-Bench	67.8 60.4 47.6 58.8	56.9 43.8 41.1 55.3	70.8 44.6 40.6 51.7	78.3 54.7 61.2 63.5

推理和部署

HunyuanLLM可以采用vLLM，sglang或TensorRT-LLM部署。为了简化部署过程HunyuanLLM提供了预构建docker镜像。

使用TensorRT-LLM推理

BF16部署

Step1：执行推理

方式1：命令行推理

下面我们展示一个代码片段，采用TensorRT-LLM快速请求chat model：修改 examples/pytorch/quickstart_advanced.py 中如下代码：

from tensorrt_llm import SamplingParams
from tensorrt_llm._torch import LLM
from tensorrt_llm._torch.pyexecutor.config import PyTorchConfig
from tensorrt_llm.llmapi import (EagleDecodingConfig, KvCacheConfig,
                                 MTPDecodingConfig)

prompt = "Write a short summary of the benefits of regular exercise"

def main():
    args = parse_arguments()

    llm, sampling_params = setup_llm(args)
    new_prompts = []
    if args.apply_chat_template:
        messages = [{"role": "user", "content": f"{prompt}"}]
        new_prompts.append(llm.tokenizer.apply_chat_template(
            messages, tokenize=False, add_generation_prompt=True)
        )

    outputs = llm.generate(new_prompts, sampling_params)

    for i, output in enumerate(outputs):
        prompt = output.prompt
        generated_text = output.outputs[0].text
        print(f"[{i}] Prompt: {prompt!r}, Generated text: {generated_text!r}")

运行方式：

python3 quickstart_advanced.py --model_dir "HunyuanLLM模型路径" --tp_size 4 --apply_chat_template

方式2：服务化推理

下面我们展示使用TensorRT-LLM服务化的方式部署模型和请求。

model_path="HunyuanLLM模型路径"
trtllm-serve <model_path> [--backend pytorch --tp_size <tp> --ep_size <ep> --host <host> --port <port>]

服务启动成功后, 运行请求脚本：

### OpenAI Chat Client

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:8000/v1",
    api_key="tensorrt_llm",
)

response = client.chat.completions.create(
    model="default",
    messages=[{
        "role": "user",
        "content": "Write a short summary of the benefits of regular exercise"
    }],
    max_tokens=4096,
)
print(response)

FP8/Int4量化模型部署：

目前 TensorRT-LLM 的 fp8 和 int4 量化模型正在支持中，敬请期待。

vLLM 部署

Docker 镜像

我们提供了一个基于官方 vLLM 0.8.5 版本的 Docker 镜像方便快速部署和测试。注意：该镜像要求使用 CUDA 12.4 版本。

快速开始方式如下：

docker pull hunyuaninfer/hunyuan-infer-vllm-cuda12.4:v1

下载模型文件：
- Huggingface：vLLM 会自动下载。
- ModelScope：modelscope download --model Tencent-Hunyuan/Hunyuan-A13B-Instruct
启动 API 服务（从 Huggingface 下载模型）：

docker run --rm  --ipc=host \
        -v ~/.cache:/root/.cache/ \
        --security-opt seccomp=unconfined \
        --net=host \
        --gpus=all \
        -it \
        --entrypoint python3 hunyuaninfer/hunyuan-infer-vllm-cuda12.4:v1 \
        -m vllm.entrypoints.openai.api_server \
        --host 0.0.0.0 \
        --tensor-parallel-size 4 \
        --port 8000 \
        --model tencent/Hunyuan-A13B-Instruct  \
        --trust_remote_code

启动 API 服务（从 ModelScope 下载模型）：

docker run --rm  --ipc=host \
        -v ~/.cache/modelscope:/root/.cache/modelscope \
        --security-opt seccomp=unconfined \
        --net=host \
        --gpus=all \
        -it \
        --entrypoint python3 hunyuaninfer/hunyuan-infer-vllm-cuda12.4:v1 \
        -m vllm.entrypoints.openai.api_server \
        --host 0.0.0.0 \
        --tensor-parallel-size 4 \
        --port 8000 \
        --model /root/.cache/modelscope/hub/models/Tencent-Hunyuan/Hunyuan-A13B-Instruct/  \
        --trust_remote_code

源码部署

对本模型的支持已通过 PR 20114 提交至 vLLM 项目。

你可以在本地仓库中合并此 PR 后，从源码构建并运行 vLLM。

模型上下文长度支持

Hunyuan A13B 模型支持最大 256K token（即 262,144 个位置） 的上下文长度。但由于大多数 GPU 硬件配置的显存限制，默认 config.json 中将上下文长度限制为 32K token，以避免出现显存溢出（OOM）问题。

将上下文长度扩展至 256K

如需启用完整的 256K 上下文支持，请手动修改模型 config.json 文件中的 max_position_embeddings 字段如下：

{
  ...
  "max_position_embeddings": 262144,
  ...
}

当使用 vLLM 进行服务部署时，也可以通过添加以下参数来明确设置最大模型长度：

--max-model-len 262144

模型数据类型	KV-Cache 数据类型	设备数量	模型长度
`bfloat16`	`bfloat16`	4	262,144

使用 vLLM 调用工具

为了支持基于 Agent 的工作流和函数调用能力，本模型包含专门的解析机制，用于处理工具调用及内部推理步骤。

关于如何在 Agent 场景中实现和使用这些功能的完整示例，请参见我们的 GitHub 示例代码： 🔗 Hunyuan A13B Agent 示例

在使用 vLLM 部署模型时，可以使用以下参数配置工具解析行为：

参数名	值
`--tool-parser-plugin`	本地 Hunyuan A13B 工具解析器文件
`--tool-call-parser`	`hunyuan`

这些设置可使 vLLM 根据预期格式正确解析和路由模型生成的工具调用。

Reasoning Parser（推理解析器）

目前，Hunyuan A13B 模型在 vLLM 中的推理解析器支持仍在开发中。

SGLang

Docker 镜像

我们还提供基于 SGLang 最新版本构建的 Docker 镜像。

快速开始方式如下：

拉取 Docker 镜像：

docker pull docker.cnb.cool/tencent/hunyuan/hunyuan-a13b:hunyuan-moe-A13B-sglang
或
docker pull hunyuaninfer/hunyuan-a13b:hunyuan-moe-A13B-sglang

启动 API 服务：

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    --ipc=host \
    docker.cnb.cool/tencent/hunyuan/hunyuan-a13b:hunyuan-moe-A13B-sglang \
    -m sglang.launch_server --model-path hunyuan/huanyuan_A13B --tp 4 --trust-remote-code --host 0.0.0.0 --port 30000

交互式Demo Web

hunyuan-A13B 现已开放网页demo。访问 https://hunyuan.tencent.com/?model=hunyuan-a13b 即可简单体验我们的模型。

联系我们

如果你想给我们的研发和产品团队留言，欢迎联系我们腾讯混元LLM团队。你可以通过邮件（hunyuan_opensource@tencent.com）联系我们。

tencent
/

Hunyuan-A13B-Instruct

模型介绍

核心特性与优势

为何选择Hunyuan-A13B？

新闻

模型结构

Benchmark评估榜单

推理和部署

使用TensorRT-LLM推理

BF16部署

Step1：执行推理

方式1：命令行推理

方式2：服务化推理

FP8/Int4量化模型部署：

vLLM 部署

Docker 镜像

源码部署

模型上下文长度支持

将上下文长度扩展至 256K

推荐的 256K 上下文长度配置

使用 vLLM 调用工具

Reasoning Parser（推理解析器）

SGLang

Docker 镜像

交互式Demo Web

联系我们