---
title: Yuan3.0-Flash
canonical_url: "https://www.modelscope.cn/models/Yuanlab/Yuan3.0-Flash"
md_url: "https://www.modelscope.cn/models/Yuanlab/Yuan3.0-Flash.md"
repository: Yuanlab/Yuan3.0-Flash
last_updated: 2026-01-06
pipeline_tag: image-text-to-text
tasks:
  - image-text-to-text
model_type:
  - yuanvl
architectures:
  - YuanVLChatModel
parameters: 40.6B
tensor_type:
  - BF16
library_name:
  - safetensors
  - tensorflow
frameworks:
  - Tensorflow
downloads: 1064
stars: 6
---

# Yuan3.0-Flash

> Yuan3.0-Flash - Yuanlab 在 ModelScope 开源的模型。[2025-12-30] 发布源3.0-40B多模态大模型，面向企业级应用场景的高性能模型：Yuan3.0 Flash

- **Repository**: Yuanlab/Yuan3.0-Flash
- **Tasks**: image-text-to-text
- **Parameters**: 40.6B
- **Downloads**: 1064
- **Stars**: 6
- **Last updated**: 2026-01-06

Source: https://www.modelscope.cn/models/Yuanlab/Yuan3.0-Flash

---

<div align="center">
<h1>
  源3.0多模态基础大模型
</h1>
</div>

<hr>
<div align="center" style="line-height: 1;">
  <a href="https://github.com/Yuan-lab-LLM/Yuan3.0"><img alt="GitHub"
    src="https://img.shields.io/badge/GitHub-Yuan%203.0%20Repo-181717?logo=github&logoColor=white"/></a>
  <a href="https://x.com/YuanAI_Lab"><img alt="Twitter Follow"
    src="https://img.shields.io/badge/Twitter-Yuanlabai-white?logo=x&logoColor=white"/></a>
  <a href="https://arxiv.org/abs/2601.01718"><img alt="arXiv"
    src="https://img.shields.io/badge/arXiv-Yuan3.0%20Paper-b31b1b?logo=arxiv&logoColor=white"/></a>
  </a>


  
</div>


-----




##  最近更新 🎉🎉

* **[2025-12-30]** **发布源3.0-40B多模态大模型，面向企业级应用场景的高性能模型：Yuan3.0 Flash**




## 1. 简介

Yuan 3.0 Flash 由 **YuanLab.ai 团队**开发，是一款 **40B 参数规模的多模态基础大模型**，采用稀疏混合专家（MoE）架构，单次推理仅激活约 **3.7B 参数**。通过创新的强化学习训练方法（RAPO），在提升推理准确性的同时显著降低推理 token 消耗，探索 "更少算力、更高智能" 的大模型创新路径。同时，我们发布了Yuan3.0模型的<a href="https://arxiv.org/abs/2601.01718" target="_blank">**技术报告**</a>，可以通过论文查看更详细的技术细节与测评结果。


<div align="center"> 
<img src="https://modelscope.cn/models/Yuanlab/Yuan3.0-Flash/resolve/master/docs/Yuan3.0-architecture.png" width="80%" />

Fig.1: Yuan3.0多模态大模型架构图

</div>




### 核心特性

- 🚀 **高效推理**：推理 token 消耗降低高达 75%，显著节省成本
- 🎯 **企业级优化**：针对 RAG、文档理解、表格分析等企业场景深度优化
- 🎨 **多模态支持**：支持文本、图像、表格、文档等多模态输入
- 📚 **长上下文**：支持 128K 上下文，在 "大海捞针" 测试中实现 100% 准确率
- ⚡ **即用即智能**：默认推理模式即可满足绝大多数企业场景需求

## 2. 性能表现

Yuan 3.0 Flash 在企业级 RAG、多模态检索、表格理解、摘要生成等任务上优于 GPT-5.1，同时以 40B 参数量达到 235B/671B 模型的推理精度，Token 消耗降低 50%-75%，为企业提供高性能、低成本的大模型解决方案。


<div align="center"> 
<img src="https://modelscope.cn/models/Yuanlab/Yuan3.0-Flash/resolve/master/docs/Yuan3.0-benchmarks.png" width="80%" />

Fig.2: Yuan3.0 Flash评测结果

</div>





## 3. 核心技术

### RAPO 强化学习算法

创新的 **Reflection-aware Adaptive Policy Optimization (RAPO)** 算法，通过反思抑制奖励机制（RIRM）：

- ✅ 识别首次得到正确答案的关键节点
- 🎯 抑制后续冗余推理行为
- 📉 准确率提升的同时，推理 token 数量减少约 75%

| 训练方法 | AIME 2024 准确率 | 平均输出长度 | MATH-500 准确率 | 平均输出长度 |
|---------|------------------|--------------|-----------------|--------------|
| Yuan3.0 Flash (40B) SFT | 31.45% | 13,656 tokens | 83.20% | 3,362 tokens |
| RL+DAPO length-penalty | 46.35% | 13,781 tokens | 89.06% | 3,974 tokens |
| **RL+RIRM** | **47.92%** | **7,505 tokens** | **89.47%** | **1,777 tokens** |





## 4. 模型下载

**我们提供多种模型格式的下载链接：**

|    模型     |   参数量  |  精度  |   序列长度  |   模型格式   |         下载链接         |
| :----------: | :------: | :------: | :------: | :-------: |:---------------------------: |
| Yuan3.0 Flash |    400亿    |  16bit    |    128K    |    HuggingFace    | [ModelScope]( https://modelscope.cn/models/Yuanlab/Yuan3.0-Flash) \| [HuggingFace]( https://huggingface.co/YuanLabAI/Yuan3.0-Flash) \|  [始智AI]( https://www.wisemodel.cn/models/YuanLabAI/Yuan3.0-Flash)
| Yuan3.0 Flash 4bit |    400亿   |  4bit     |    128K    |    HuggingFace    | [ModelScope]( https://modelscope.cn/models/Yuanlab/Yuan3.0-Flash-int4) \| [HuggingFace]( https://huggingface.co/YuanLabAI/Yuan3.0-Flash-4bit) \|  [始智AI]( https://www.wisemodel.cn/models/YuanLab/Yuan3.0-Flash-4bit)





## 5. 测评结果

**5.1  文本类RAG评测：ChatRAG**🏆

源3.0 Flash在业界权威RAG评测ChatRAG的10个评测任务上，平均精度领先DeepSeek-V3、DeepSeek-R1等大模型。

**模型平均精度对比**


| Models | Avg All | D2D | QuAC | QReCC | CoQA | DoQA | CFQA | SQA | TCQA | HDial | INSCIT |
|--------|---------|-----|------|-------|------|------|------|-----|------|-------|--------|
| **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-V3.23** | 49.67 | 34.30 | 28.09 | 49.97 | 77.29 | 29.46 | 72.85 | 79.48 | 44.64 | 47.99 | 32.64 |  
| **OpenAI GPT-4o** | 50.54 | 32.76 | 26.56 | 49.30 | 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 |
| **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-5.1** | 46.10 | 28.24 | 23.16 | 45.43 | 68.84 | 20.88 | 73.05 | 81.32 | 44.70 | 45.39 | 29.95 |
| **Yuan3.0 Flash** | **64.47** | 49.82 | 53.79 | 57.08 | 90.93 | 59.99 | 74.40 | 87.52 | 66.31 | 68.45 | 36.40 |




*<small>
• **长上下文测试** (D2D、QuAC、QReCC)   
• **维基百科检索测试** (TCQA、INSCIT)   
• **短文、结构化上下文测试** (CoQA、DoQA、CFQA、SQA、HDial)
</small>*

---


**5.2  多模态RAG评测：Docmatix**🏆

Yuan3.0 Flash 在多模态RAG评测Docmatix中领先Claude3.5、OpenAI GPT-4o 、o3等模型，精度表现仅次于GPT-5.1。

**模型平均精度对比**

| Models | Avg. |
|--------|:---------:|
| **Qwen2.5-VL-72B-Instruct** | 59.75 |
| **InternVL3-78B** | 42.99 |
| **Claude3.5-Sonnet** | 42.55 |
| **OpenAI GPT-4o** | 56.79 |
| **OpenAI GPT-o3** | 45.57 |
| **OpenAI GPT-4V** | 60.10 |
| **OpenAI GPT-5.1** | 48.52 |
| **Yuan3.0 Flash** | **65.07** |


*<small>**Docmatix** - 评测模型在多页复杂文档中跨文本、表格、图像等多模态内容进行信息检索、关联与准确问答的能力。</small>*

---

**5.3  多模态复杂表格内容分析评测：MMTab**🏆

多模态表格理解是企业办公重要应用场景，源3.0-1T在业界权威多模态复杂表格理解评测MMTab的15个评测任务上，实现平均精度领先OpenAI的GPT-5.1。

**模型平均精度对比**


| Models | Avg. | TABMWP | WTQ | WTQ | HiTab | TAT-QA | FeTaQAU | TabFact | InfoTabs | HiTab_T2T | Rotowire | WikiBIO | TSD_Row | TSD_Col | TCE | TCL | MCD | RCE |
|--------|:----:|:------:|:---:|:---:|:-----:|:------:|:-------:|:-------:|:--------:|:---------:|:--------:|:-------:|:-------:|:-------:|:---:|:---:|:---:|:---:|
| **Zhipu GLM-4.5V** | 52.00 | 88.21 | 77.42 | 51.52 | 62.69 | 5.25 | 89.44 | 79.48 | 5.17 | 4.48 | 2.69 | 47.40 | 89.70 | 52.74 | 50.84 | 43.47 | 50.77 | 82.79 |
| **OpenAI GPT-4V** | 29.90 | 60.50 | 48.00 | 27.50 | 32.50 | 11.04 | 45.50 | 65.60 | 2.98 | 4.23 | 1.94 | 19.00 | 38.00 | 14.36 | 27.91 | 3.50 | 48.52 | 57.14 |
| **OpenAI GPT-5.1** | 55.15 | 64.95 | 60.77 | 77.77 | 61.37 | 8.70 | 52.81 | 64.30 | 44.16 | 17.81 | 11.95 | 96.60 | 62.10 | 86.43 | 44.66 | 72.46 | 53.58 | 57.20 |
| **Yuan3.0 Flash** | 58.29 | 95.09 | 68.23 | 69.80 | 69.17 | 28.42 | 87.32 | 83.50 | 13.30 | 14.74 | 17.26 | 46.60 | 82.80 | 56.77 | 56.98 | 65.20 | 62.07 | 73.67 |


---

**5.4  文本摘要生成评测：SummEval**🏆

摘要生成是智能体应用中用户历史信息压缩的核心需求，源3.0在业界权威摘要生成评测SummEval的词汇重叠、语义相似度、事实一致性3大类能力上，实现平均精度领先DeepSeek-V3大模型。

**模型平均精度对比**

| Models | Avg. | 词汇重叠<br>ROUGE-1 | 词汇重叠<br>ROUGE-2 | 语义相似度<br>BERTScore | 事实一致性<br>SummaC |
|--------|:---------:|:-----------:|:-----------:|:--------------:|:------------:|
| **DeepSeek-V3** | 59.28 | 25.50 | 9.20 | 86.30 | 68.20 |
| **DeepSeek-V3.2** | 51.36 | 33.30 | 11.92 | 85.61 | 41.76 |
| **Gemini-2.0-Flash** | 45.35 | 24.80 | 8.70 | 85.70 | 29.50 |
| **Claude-3.5-Sonnet** | 45.43 | 24.10 | 8.30 | 85.20 | 30.70 |
| **OpenAI GPT-4o** | 46.53 | 25.00 | 8.90 | 85.90 | 32.50 |
| **OpenAI GPT-5.1** | 49.44 | 27.48 | 10.16 | 84.63 | 40.50 |
| **Yuan3.0 Flash** | **59.31** | 51.32 | 28.32 | 89.99 | 45.34 |