近日，騰訊正式發布新一代混元開源大語言模型。英特爾憑借在人工智能領域的全棧技術布局，現已在英特爾^? 酷睿? Ultra 平臺上完成針對該模型的第零日（Day 0）部署與性能優化。值得一提的是， 依托于OpenVINO? 構建的 AI 軟件平臺的可擴展性，英特爾助力ISV生態伙伴率先實現應用端Day 0 模型適配，大幅加速了新模型的落地進程，彰顯了 “硬件 + 模型 + 生態” 協同的強大爆發力。

混元新模型登場：多維度突破，酷睿Ultra平臺Day 0適配

騰訊混元宣布開源四款小尺寸模型，參數分別為 0.5B、1.8B、4B、7B，消費級顯卡即可運行，適用于筆記本電腦、手機、智能座艙、智能家居等低功耗場景。新開源的4 個模型均屬于融合推理模型，具備推理速度快、性價比高的特點，用戶可根據使用場景靈活選擇模型思考模式——快思考模式提供簡潔、高效的輸出；而慢思考涉及解決復雜問題，具備更全面的推理步驟。

這些模型已在英特爾酷睿 Ultra 平臺實現全面適配，其在 CPU、GPU、NPU 三大 AI 運算引擎上都展現了卓越的推理性能表現1。以酷睿 Ultra 2 代 iGPU 平臺為例，7B 參數量模型在 INT4 精度下，吞吐量達 20.93token/s；0.5B 小尺寸模型在 FP16 精度下吞吐量達 68.92token/s。值得一提的是，英特爾對新模型的 NPU 第零日支持已形成常態化能力，為不同參數量模型匹配精準硬件方案，滿足從個人終端到邊緣設備的多樣化需求。

OpenVINO：新模型快速落地的 “關鍵引擎”

作為英特爾推出的開源深度學習工具套件，OpenVINO 以 “性能優化 + 跨平臺部署” 為核心優勢，可充分釋放英特爾硬件資源潛力，廣泛應用于 AI PC、邊緣 AI 等場景。其核心價值在于能將深度學習模型的推理性能最大化，同時實現跨 CPU、GPU、NPU 等異構硬件的無縫部署。

目前，OpenVINO已支持超過 900 個人工智能模型，涵蓋生成式 AI 領域主流模型結構與算子庫。這樣的模型支持體系，使其能在新模型發布的Day 0，即完成英特爾硬件平臺的適配部署。此次混元模型的快速落地，正是 OpenVINO 技術實力的直接體現 —— 通過其優化能力，混元模型在酷睿 Ultra 平臺的性能得到充分釋放，為用戶帶來即發即用的 AI 體驗。

生態共創：AI技術到應用的 “最后一公里” 加速

生態合作是英特爾 AI 戰略的核心支柱，驅動人生作為其長期合作伙伴，專注于互聯網客戶端軟件研發及運營，本著“以用戶為中心，以技術為根本，以開放為原則”的理念，長期致力于技術研發和技術創新，為用戶提供優質的服務。其 AIGC 助手軟件，實現本地部署，離線使用，支持文字輸入、語音轉譯，將大模型裝進背包，可隨時隨地與它進行智能對話，還能讓它幫忙解讀文檔，編撰方案。

該應用采用 OpenVINO推理框架，借助其快速適配能力，在混元模型發布當日即完成應用層適配，成為首批支持新模型的應用之一。

目前，驅動人生 AIGC 助手、英特爾AIPC應用專區和多家OEM 應用商店的 AI PC專區均已上線，搭載混元模型的新版本也將在近期推出，用戶可第一時間體驗更智能的交互與服務。這種 “模型發布 - 硬件適配 - 應用落地” 的全鏈條第零日響應，正是英特爾生態協同能力的生動寫照。

AI 的發展離不開模型創新與軟硬件生態協同 —— 模型如同燃料，生態則是驅動前進的引擎。英特爾通過硬件平臺、軟件工具與生態網絡的深度協同，實現對新模型的第零日適配，不僅加速了技術到應用的轉化，更推動著整個 AI 產業的高效創新。未來，英特爾將持續深化與合作伙伴的協同，讓 AI 創新更快走進千行百業與大眾生活。

快速上手指南

第一步，環境準備

通過以下命令可以搭建基于Python的模型部署環境。

 該示例在以下環境中已得到驗證：

●   硬件環境:

o   Intel^? Core? Ultra 7 258V

§   iGPU Driver：32.0.101.6972

§   NPU Driver：32.0.100.4181

§   Memory:32GB

●   操作系統：

o   Windows 11 24H2 (26100.4061)

●   OpenVINO版本:

o   openvino 2025.2.0

o   openvino-genai 2025.2.0.0

o   openvino-tokenizers 2025.2.0.0

●   Transformers版本:

第二步，模型下載和轉換

在部署模型之前，我們首先需要將原始的PyTorch模型轉換為OpenVINOTM的IR靜態圖格式，并對其進行壓縮，以實現更輕量化的部署和最佳的性能表現。通過Optimum提供的命令行工具optimum-cli，我們可以一鍵完成模型的格式轉換和權重量化任務：

開發者可以根據模型的輸出結果，調整其中的量化參數，包括：

●   --model： 為模型在HuggingFace上的model id，這里我們也提前下載原始模型，并將model id替換為原始模型的本地路徑，針對國內開發者，推薦使用ModelScope魔搭社區作為原始模型的下載渠道，具體加載方式可以參考ModelScope官方指南。

●   --weight-format：量化精度，可以選擇fp32,fp16,int8,int4,int4_sym_g128,int4_asym_g128,int4_sym_g64,int4_asym_g64

●   --group-size：權重里共享量化參數的通道數量

●   --ratio：int4/int8權重比例，默認為1.0，0.6表示60%的權重以int4表，40%以int8表示

●   --sym：是否開啟對稱量化

此外我們建議使用以下參數對運行在NPU上的模型進行量化，以達到性能和精度的平衡。

 這里的--backup-precision是指混合量化精度中，8bit參數的量化策略。

 第三步，模型部署

目前我們推薦是用openvino-genai來部署大語言以及生成式AI任務，它同時支持Python和C++兩種編程語言，安裝容量不到200MB，支持流式輸出以及多種采樣策略。

●   GenAI API部署示例

其中，'model_dir'為OpenVINOTM IR格式的模型文件夾路徑，'device'為模型部署設備，支持CPU,GPU以及NPU。此外，openvino-genai提供了chat模式的構建方法，通過聲明pipe.start_chat()以及pipe.finish_chat()，多輪聊天中的歷史數據將被以kvcache的形態，在內存中進行管理，從而提升運行效率。

開發者可以通過該該示例的中方法調整chat template，以關閉和開啟thinking模式，具體方式可以參考官方文檔（https://huggingface.co/tencent/Hunyuan-4B-Instruct）。由于目前OpenVINOTM Tokenizer還沒有完全支持Hunyuan-7B-Instruct模型默認的chat template格式，因此我們需要手動替換原始的chat template，對其進行簡化，具體方法如下：

chat模式輸出結果示例：