行业首个量子增强型大模型！国光量超玄幂大模型家族正式发布，深度融合量子计算与AI

（原标题：行业首个量子增强型大模型！国光量超玄幂大模型家族正式发布，深度融合量子计算与AI）

长期以来，量子科技与大语言模型能力的融合方案都是大家热切讨论的话题之一。如何将量子计算在离散决策与组合优化上的优势，引入模型的推理过程之中，并服务于量子领域的研究与探索工作，一直是一个被反复提及、反复争论的问题。如果能够找到这个问题的答案，将会为如今的量子和AI产业开启新的工程路径。

经过持续探索，国光量超人工智能研究团队将相关量子技术引入大语言模型的决策与推理过程，并面向科研和学术领域，正式推出一套包含多种规模、支持私有化部署的大模型系列——这就是玄幂·大模型家族。

图注：玄幂Xenomi大模型概念

专攻量子尖端科研任务

国光量超一直专注于打造面向量子科研领域的人工智能解决方案，玄幂的发展目标也不外乎此。公司希望在以量子计算为代表的尖端研究领域中，能够获得一款性能更好、效率更高的大语言模型。因此，其采用业界最前沿的领域模型训练方案，自主构建海量数据集，并在SOTA级别开源基座模型的基础上进行深度训练和推理测试。经过实际研究工作的反复验证，最终形成了适合不同任务的玄幂大模型家族。

根据实验团队的对照评测数据，玄幂在科研科普、路由和智能体决策等特定任务中，相较于主流开源模型展现出更稳定的专业理解、更清晰的任务判断和更短的决策路径。而在当前大家最关心的知识检索、内容审查等任务中，玄幂模型家族也呈现出一定优势，能够在既定任务范围内给出更明确的专业判断。

图注：玄幂-Nano与玄幂-Mini评测指标对照

图注：玄幂-Nano与玄幂-Mini五维对照雷达图

这些性能优势会在风险判断、工具选择和任务结束判定等智能体工作流中发挥作用。面对同一项复杂科研任务，玄幂模型可以减少重复工作，使智能体围绕具体要求输出更明确的决策结果，减少无效生成和反复解析，同时降低判断明显跑偏的概率。

基于量子计算方法的决策机制

决策任务是当前人工智能研究中的一个重要课题。比如，当AI遇到一个提问时，它可能需要先判断如何收集回答资料：从数据库读取信息，还是检索公开网页？过去，这些问题往往需要模型先生成文本解释，再由规则或程序从文字中提取结果。生成文本越长，等待越久，解析链路也越复杂。

而玄幂的量子决策路径把问题换了一种表达方式：将模型提取的语义特征转化为带有候选项和约束条件的优化问题，再通过量子退火方法快速搜索最佳选择。用更直白的话说，就是让大模型负责“理解题目用意”，量子决策层负责“快速找出答案”。

这种做法是卓有成效的。通过在特定任务中引入量子决策层，玄幂在保证决策结果可用的同时，将短决策等待缩短至原来的1/20。这种速度优势能够迅速转化为实际软件性能：将玄幂引入到夸米多智能体科研系统之后，部分判断任务无需先生成长文本再进行解析，从而缩短处理路径。

图注：量子决策路由准确率与平均时延对照

国光量超认为，AI工作流中的大量短决策不必反复走完整的生成链路。虽然这不意味着所有文字生成都会突然变快，但对于需要频繁判断的智能体系统来说，少走一次弯路，就可能节约一部分Token和处理时间，从而提高系统的周转效率。

真随机数作为可靠熵源

大模型的生成还依赖另一种容易被忽略的基础能力：随机性。模型每次生成下一个词，都要从概率分布中进行采样。传统系统通常使用伪随机数生成器，它速度快、便于复现，但本质上由种子和确定性算法扩展而来。随机数状态或调用链一旦被预测、篡改，采样序列就可能被复刻，采样过程也可能受到操控。在生成式人工智能快速发展的今天，忽视随机数熵源的可靠性将会带来安全风险。

玄幂的量子随机数方案成功将量子物理熵源引入模型运行时。在私有化部署时，玄幂模型架构将使用量子随机数发生器（Quantum Random Number Generator，QRNG），由真空涨落量子随机数芯片提供熵源，生成难以预测的随机比特。对于私有化人工智能系统而言，真随机数的价值不在于让模型更聪明，而在于把采样、会话密钥、工具调用随机数等环节纳入更清晰的安全边界。

公开研究表明，在特定攻击条件下，伪随机数采样链路可能受到操控，进而影响大模型的实际输出。在人工智能基础设施加速部署的背景下，如果模型输出可被预测、可被控制，就可能形成新的安全风险。在私有网络中接入量子随机数，有助于降低这类风险，守住私有化部署中的随机数边界。

支持高安全性私有化部署

针对特殊工业领域的安全和可靠性要求，玄幂模型家族全线支持可信私有化部署。模型权重、行业语料、检索索引和运行日志可以留在客户内网或园区机房，各类涉及隐私信息的文献检索、内部问答和材料生成等任务都不会发送到外部服务。

根据任务规模，系统可以选择端侧轻量模型、工作站模型或机房级模型，按照实际的延迟、显存和安全要求进行配置。与玄幂配套的量子安全模组可协同部署：量子随机数芯片接入熵池与密钥管理系统，为推理采样、智能体会话、工具调用随机数和密钥轮换提供物理熵源。健康检测、熵池管理、硬件随机数降级和审计机制共同构成可靠运行的基础。

图注：玄幂私有化部署

广泛的数据底座应用前景

随着研究的不断深入，国光量超已经将玄幂大模型成功应用于旗下的量子计算智能实验平台和夸米多智能体系统之中。它能够准确响应现代AI软件中的特定命令，并快速给出决策判断和审查结果。

在夸米里，玄幂作为领域模型底座，支撑文献检索、实验策划、混合编程、量子任务调度、数据分析和报告生成。多智能体各自负责不同环节，玄幂帮助它们理解量子术语、实验约束和科研表达规范，同时能够有效提升整体系统的执行效率。

国光量超关于玄幂大模型的部分研究成果已经获得了北京市新技术新产品新服务认证。公司会一如既往，持续研究和探索量子+AI的深度融合方向，不断为前沿科技领域带来新的灵感。