模型資訊
| 項目 | 值 |
|---|---|
| Model ID | KRAFTON/Raon-1-mini-preview |
| 廠商 | KRAFTON AI（《PUBG》開發商 KRAFTON 旗下 AI 研究部門） |
| 參數量 | 28.8B 總參數／4.3B 活化參數（30B-A4B 級 MoE，128 個路由專家中每 token 啟用 6 個 + 1 個共享專家） |
| Context Window | 262,144 tokens |
| Input 定價 (USD/1M tokens) | 未提供（僅開放權重 preview，尚無官方或第三方代管 API 定價） |
| Output 定價 (USD/1M tokens) | 未提供（同上；playground 限時免費試用，不計入 API 定價） |
| 開源 | 是（Apache 2.0；代管 API／playground 另受獨立服務條款約束，不在 Apache 2.0 範圍內） |
| 發布日 | 2026-10-21（preview） |
| 官方公告 | KRAFTON/Raon-1-mini-preview（Hugging Face 模型卡） |
| HuggingFace | KRAFTON/Raon-1-mini-preview |
| 家族 | Raon（KRAFTON AI 2026 年 4 月建立的開源模型品牌，此前已釋出語音 LLM、即時語音對話、TTS、視覺編碼器四款模型；Raon-1 mini 是該家族首款通用文字 LLM） |
能力亮點
- 韓語口語對話：內部基準 Chatbot Korean 達 92.9 分，大幅領先同量級 MoE 模型 Qwen3.6-35B-A3B（74.5 分），也勝過 Gemma 4 26B-A4B（90.6 分）
- 混合注意力架構：25 層中 18 層為自研 Raon Delta Attention（線性注意力，狀態大小固定）、7 層為 Gated MLA（保留 KV cache），將每 token KV cache 壓到約 8 KiB（BF16），原生支援 262,144 tokens context
- 內建投機解碼加速：隨模型釋出 DFlash2 草稿模型，在單張 NVIDIA B300 上於多項基準實測輸出吞吐量最高提升 2.18 倍
- 邊緣部署門檻降低：NVFP4 量化版本可在單張 NVIDIA RTX 5090（32GB VRAM）上完整跑推理，另提供 MXFP8、GGUF、MLX 格式
Benchmark 表現
| Benchmark | 分數 | 前代模型 | 同量級 MoE 最強競品 |
|---|---|---|---|
| Chatbot Korean（內部，韓語口語） | 92.9 | —（首款模型） | Gemma 4 26B-A4B 90.6（Qwen3.6-35B-A3B 僅 74.5） |
| SWE-bench Verified | 70.8 | —（首款模型） | Qwen3.6-35B-A3B 63.2（參考：dense Qwen3.8-27B 74.6） |
| AIME 2026 | 93.3 | —（首款模型） | Qwen3.6-35B-A3B 92.9 |
| MMLU Pro | 76.5 | —（首款模型） | Qwen3.6-35B-A3B 85.9（Raon-1 mini 在通用知識基準明顯落後） |
| BFCL v4 Overall（工具呼叫） | 59.8 | —（首款模型） | Qwen3.6-35B-A3B 64.7（參考：dense Qwen3.8-27B 72.4） |
⚠️ 以上均為 KRAFTON 自測（評審模型 gpt-5.6-luna），尚待外部複現；Chatbot Korean 是未公開發布的內部基準，無法由第三方直接驗證。官方也註明這是 preview 版本，正式版規格與分數可能調整。
資料來源：KRAFTON 官方 Hugging Face 模型卡自測（評審模型 gpt-5.6-luna），韓語對話為未公開的內部基準。縱軸 0–100 分，基線 y=300、繪圖區頂 y=60，每分 2.4 單位（y = 300 − 分數 × 2.4）。
與前代/競品比較
Raon-1 mini 是 Raon 家族的首款通用 LLM，沒有「前代」可比，比較對象是同量級的 MoE 模型。跟 Qwen3.6-35B-A3B 相比，Raon-1 mini 在韓語口語（92.9 vs 74.5）與 SWE-bench Verified（70.8 vs 63.2）上明顯領先，但在 MMLU-Pro（76.5 vs 85.9）和 BFCL 工具呼叫（59.8 vs 64.7）上落後——這代表它的訓練重心放在韓語對話品質與軟體工程 agent 任務，而非通用世界知識覆蓋。
定價策略上，KRAFTON 目前完全走開放權重＋限時免費 playground 的路線，沒有公布任何代管 API 定價，跟多數閉源大廠「先定價、再逐步開源舊版」的順序相反。這比較像是用一次性的技術信號建立開發者關注度，而不是急著變現。
更值得注意的是釋出者本身：KRAFTON 是遊戲公司，不是傳統 AI 大廠，卻選擇從零訓練一個 30B 級 MoE 基礎模型，而不是直接調用或微調既有開源模型。這代表「自研基礎模型」的門檻已經下沉到遊戲產業這類垂直領域的大型公司也負擔得起、也認為值得投入的程度。
對 Agent 開發的意義
- 如果你在做需要道地韓語口語的客服或遊戲內 NPC 對話 agent：Raon-1 mini 的韓語基準大幅領先同量級模型，是目前少見「原生針對韓語對話調優」的開源選項，不必再拿大模型硬調韓語語氣。
- 如果你在做邊緣部署或自架、低延遲的 agent：NVFP4 量化版本可在單張 RTX 5090 跑，加上 DFlash2 投機解碼最高 2.18 倍吞吐量提升，適合不想依賴雲端 API、又要求回應速度的場景。
- 不適合：需要廣泛世界知識或複雜多工具鏈調用的場景——MMLU-Pro 與 BFCL 都是同量級最弱，這類任務建議用 Qwen3.6-35B-A3B 或更大的 dense 模型。preview 階段的規格與表現也可能在正式版前變動，生產環境先別壓寶。
今日收穫
以前以為自研基礎大模型的軍備競賽只發生在傳統 AI 大廠和中國廠商之間，遊戲公司 KRAFTON 從零訓練並開源一個 30B 級 MoE 模型，說明「誰有資格做基礎模型」的邊界已經下沉——不是調用別人的 API 包裝，而是真的自己設計注意力機制變體（Raon Delta Attention）從頭訓練。垂直產業的大型公司現在也能、也願意跨進基礎模型研發這一層。
參考資料
- KRAFTON/Raon-1-mini-preview（Hugging Face 模型卡）
- KRAFTON AI 官方網站
- Raon-1 mini playground
- Seoul Economic Daily：Krafton Releases Raon-1 Mini, Its In-House AI Language Model
- Digital Today：Krafton unveils 30B-class LLM 'Raon-1 Mini' to boost cost efficiency
- Seoul Economic Daily：Krafton Launches AI Model Brand 'Raon,' Releases Four Open-Source Models