Krafton AI 开源 Raon-1 mini 30B MoE 模型：4B 激活参数性能媲美 Muse Glimmer，全面开放 Apache 2.0 权重

核心背景与行业痛点

在游戏开发自动化、NPC 自主行为演进与本地桌面开发智能体领域，轻量化端侧模型的发展正面临架构分水岭。此前的端侧小模型（如 7B~14B 稠密模型）往往因为参数容量所限，在处理长上下文多工具规划时容易丧失逻辑一致性；而 30B 左右的稠密模型又因显存与算力开销过大，难以在配备 16GB~24GB 显存的消费级单卡（如 RTX 4090/5080）上维持高帧率并发。采用稀疏混合专家（Sparse MoE）架构，实现“大容量知识储备与极小单步计算负荷”的结合，成为端侧 Agent 研发的黄金解法。2026 年 10 月 21 日，Krafton AI 官方在 @Krafton_AI（Status #2112772568776339709）正式开源了 Raon-1 mini。

架构亮点与底层机制

1. 30B/4B 稀疏混合专家拓扑（Sparse MoE）：

• 总体参数量为 300 亿（30B），每次前向推理仅激活 40 亿（4B）核心专家参数；
• 兼备了 30B 模型的综合常识推理与严密代码语法知识储备，同时享受 4B 小模型的超低计算浮点开销；

1. 专有 DFlash 投机采样解码加速：

• 官方同步打造并开源了专门针对 Raon-1 mini 架构深度对齐的 DFlash Draft Model；
• 在支持投机采样的推理引擎中，借助轻量草稿模型连续预测多个 Token，单卡推理吞吐量提升 1.8~2.4 倍；

1. 全栈 Apache 2.0 商业友好授权：

• 模型权重、分词工具以及投机模型均以极具包容性的 Apache 2.0 协议发布，企业与独立开发者可自由商用、二次微调或集成入私有软件。

权威 Benchmark 与实测跑分对比

根据 Krafton 官方公布的技术预览与实机测试数据：

• 与 Meta Muse Glimmer 的横向对标：
• 在编程智能体（Coding Agent）任务与复杂工具调用（Tool Use）基准测试中，Raon-1 mini 展现出与 Meta 刚刚开源的 Muse Glimmer 30B 互有胜负的高水准表现；
• 显存与硬件部署优势：
• 由于单步仅激活 4B 参数，在加载量化权重后，模型在 16GB 显存显卡上即可流畅运行，相较稠密 30B 模型显存带宽压力削减了 60% 以上；
• 交互生成延迟：
• 搭配 DFlash 投机解码后，单用户流式输出速度稳定维持在 80~120 tokens/s，完美胜任实时 NPC 动态决策与本地代码补全。

开发者实战落地与开箱指南

• 在线体验与沙盒：直接访问官方 Web 体验端 https://raon-mini.krafton.ai/en；
• 开源发布推文：详阅 @Krafton_AI 官方推特 https://x.com/Krafton_AI/status/2112772568776339709；
• 本地部署指引：开发者可使用 Ollama、vLLM 或 llama.cpp 加载 Raon-1 mini 权重文件，配合 DFlash 模型即可在单张消费级 GPU 上构建出响应极快、无需连接外网的本地自主智能体底座。