---
title: "《绝地求生》母公司跨界自研！KRAFTON 重磅开源 Raon-1 mini 大模型：30B-A4B 稀疏架构、线性注意力与推测解码深度架构拆解"
url: "https://paooo.com/ai-tool/40408/"
author: "Prompt 语宙研究院"
published_at: "2026-10-26T20:08:59+08:00"
updated_at: "2026-10-26T20:08:59+08:00"
categories: "AI 工具"
tags: "KRAFTON, MoE混合专家, Raon-1 mini, 推测解码, 线性注意力, 绝地求生"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# 《绝地求生》母公司跨界自研！KRAFTON 重磅开源 Raon-1 mini 大模型：30B-A4B 稀疏架构、线性注意力与推测解码深度架构拆解

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/ai-tool/40408/) · 作者：Prompt 语宙研究院 · 发布时间：2026-10-26

## AI 30 秒核心看点 (TL;DR)

- 30B总参、4B激活的MoE稀疏架构，兼顾效果与部署成本。
- 线性注意力把长文本计算复杂度降到O(N)，并原生集成推测解码提速。
- Apache 2.0开放权重，面向游戏NPC、Agent与端侧轻量部署更友好。

> **💡 站外导读：**当全球顶尖科技巨头在万亿参数与百吉瓦算力集群上展开殊死博弈时，一批手握海量数字化资产与实时交互生产场景的游戏巨头正在悄然改写大模型竞争格局。凭借现象级战术竞技游戏《绝地求生》（PUBG）享誉全球的韩国游戏企业 KRAFTON（魁匠团），其旗下 AI 研究团队正式对外开源了全新端到端自研基座模型 **Raon-1 mini** 预览版。该模型完全摒弃了对外部开源权重微调的捷径，坚持从零预训练（Pre-training from Scratch），采用极具工程性价比的 **30B-A4B 混合专家（MoE）架构**，并首度融合了线性注意力与推测解码优化。在以 Apache 2.0 协议全量开放的同时，不仅在编程与 Agent 基准上正面叫板 Meta 同量级模型，更揭开了游戏工业巨头反哺通用智能基建的序幕。

## 一、游戏巨头的底座野望：为什么《绝地求生》母公司要“从零预训练”大模型？

在以《绝地求生》确立全球战术竞技霸主地位后，KRAFTON 始终将游戏内的虚拟人交互与沉浸式物理模拟视为核心生命线。以往游戏开发接入第三方商业大模型，普遍受制于三大致命缺陷：

  - **黑盒依赖与数据主权丧失：**调用外部商用 API 不仅面临玩家交互数据的外泄风险，且由于模型版本迭代不可控，经常引发 NPC 对话风格与行为逻辑的突变漂移；

  - **高并发下的算力成本黑洞：**网游在线人数动辄以百万计，若每个 NPC 智能体决策都发起云端商业请求，月度 API 账单将直接吃空游戏净利润；

  - **原生控制权与轻量端侧诉求：**游戏开发天然需要与物理引擎（如 Unreal Engine 5）、行为树（Behavior Trees）及剧情分支引擎深度对齐，自研从零预训练模型成为突破控制权天花板的唯一正途。

  

## 二、Raon-1 mini 核心工程解剖：30B-A4B MoE 稀疏路由与推测解码协同

KRAFTON AI 团队并未盲目追求单体巨型参数，而是精准切入“**消费级好部署、企业级够好用**”的黄金平衡点，在 Raon-1 mini 中打出了三记硬核工程组合拳：

  
    
      架构维度
      Raon-1 mini (KRAFTON)
      Meta Muse Glimmer 30B (业界对照)
    

  
  
    
      参数规模与激活比例
      总参数 30B (约 300 亿)，单 Token 激活 4B (约 40 亿)
      总参数 30B 稠密结构，全量激活计算
    

    
      注意力机制 (Attention Mechanism)
      混合线性注意力 (Linear Attention)，计算复杂度从 O(N²) 降至 O(N)
      标准 FlashAttention-2，显存随长文本二次方增长
    

    
      推理加速管道 (Inference Acceleration)
      原生集成推测解码 (Speculative Decoding)，小专家前瞻预测提速 2~3 倍
      依赖外部蒸馏小模型外挂辅助验证
    

    
      显存占用与硬件部署门槛
      极佳！4-bit 量化仅需 16GB 显存，单张 RTX 4080 / 5080 轻松拉起
      需要至少 24GB~48GB 显卡方能流畅承载长序列
    

    
      开源授权协议 (License)
      Apache 2.0 (商业友好，允许自由修改与私有化部署)
      Meta 自定义社区协议 (有月活用户与商业使用限制)
    

  

## 三、从 NPC 智能体到通用生态：端侧轻量化大模型的第二增长曲线

在基准测试表现上，KRAFTON 官方披露 Raon-1 mini 预览版在 HumanEval 代码生成、SWE-bench 复杂修复以及 Agentic 多步推理基准上，表现与 Meta Muse Glimmer 30B 旗鼓相当，但在吞吐速度与内存能耗上展现出明显压制：

  - **韩语与英语双轨优化：**针对亚太开发者与全球出海产品进行了特定词表扩充与长文本对齐，避免了英文主导模型在处理小语种时 Token 膨胀两倍的缺陷；

  - **工业级开放试用：**伴随 Apache 2.0 权重的释出，KRAFTON 官网同步开放了限时免费的开发者 API 试用接口，以极低门槛吸引独立游戏团队与 Agent 开发者；

  - **反哺全线自研矩阵：**官方透露，后续更大参数量的正式版 Raon-1 以及面向复杂物理推演的多模态版本已在训练管线中，将直接赋能下一代开放世界多人射击与沙盒作品。

#### 📝 站长洞察 (Editor's Insight)

KRAFTON 推出 Raon-1 mini 的标杆意义，在于打破了“只有纯云计算与通用科技大厂才能训好基础大模型”的思维定势。游戏产业天然具备最严苛的实时交互约束：数千万级并发玩家、毫秒级响应上限与有限的本地设备显存，迫使游戏厂在模型工程化上对“算力能效比”有着近乎苛刻的追求。30B 总参、4B 激活的 MoE 架构搭配线性注意力，恰好卡位在了消费级单卡与高端边缘主机的甜蜜点上。以往游戏公司往往停留在应用层调用 OpenAI 或开源小模型打补丁，而 KRAFTON 从零预训练并采用 Apache 2.0 纯粹开源，不仅为其未来自研次世代开放世界游戏铸造了独占壁垒，也为垂直工业领域如何基于自研底座反哺通用开源生态提供了极佳的范本。

## 常见问题解答 (FAQ)

### Raon-1 mini是什么模型？
Raon-1 mini 是 KRAFTON 自研并开源的预览版基座模型，采用从零预训练路线，核心特点是 30B-A4B MoE 稀疏架构、线性注意力和推测解码，定位于兼顾性能与部署效率的轻量化大模型。

### Raon-1 mini适合哪些应用场景？
文章重点指向游戏 NPC 智能体、Agent 多步推理、代码生成与复杂修复等场景，也适合需要低显存、低成本部署的端侧或企业内部应用。KRAFTON 还提到后续会有更大参数版本和多模态版本。

### Raon-1 mini为什么被认为有部署优势？
因为它是 30B 总参但仅 4B 激活的 MoE 模型，配合线性注意力与推测解码，推理更省算力；文中还提到 4-bit 量化约需 16GB 显存，单卡高端消费级显卡即可尝试部署。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
