近日，国光量超人工智能研究团队正式发布玄幂（Xenomi）大模型家族。该系列模型完全面向量子科研领域设计和训练，包含多种参数规模，全面支持私有化部署。玄幂大模型将量子退火、量子随机数等量子技术引入大语言模型的决策与推理过程，为量子计算与人工智能的融合探索出新的工程路径。

玄幂Xenomi大模型概念

　　量子计算在离散决策与组合优化上具有独特优势，但如何如何将这一优势引入大模型推理过程、并服务于量子领域研究，是产业界持续探讨的课题之一。据介绍，玄幂采用领域模型训练方案，自主构建海量数据集，在SOTA级开源基座模型基础上开展深度训练和推理测试，形成玄幂-Nano、玄幂-Mini等适配不同任务的型号。

　　对照评测显示，玄幂在科研科普、路由和智能体决策等任务中，相较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；在知识检索、内容审查等任务中，也能在既定范围内给出更明确的专业判断。

　　玄幂的核心创新之一，是基于量子计算方法的决策机制。以往智能体面对“从数据库读取信息还是检索公开网页”这类判断时，往往需要模型先生成长文本解释，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。玄幂将问题换了一种表达方式：把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，再通过量子退火启发式方法快速搜索最优选择。用研发团队的话说，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”。

　　实测显示，引入量子决策层后，玄幂在保证决策结果可用的同时，将短决策等待时间缩短至原来的二十分之一。接入夸米多智能体科研系统后，部分判断任务无需先生成长文本再行解析，处理路径明显缩短，可节约Token与处理时间、提高系统周转效率。

　　玄幂的另一项探索，是将真随机数作为模型运行的可靠熵源。大模型每生成一个词都要从概率分布中采样，传统系统通常使用伪随机数生成器，其序列由种子和确定性算法扩展而来，一旦随机数状态或调用链被预测、篡改，采样序列就可能被复刻，带来一定安全风险。玄幂在私有化部署时搭载量子随机数发生器（QRNG），由真空涨落量子随机数芯片提供物理熵源，生成难以预测的随机比特，将推理采样、会话密钥、工具调用随机数等环节纳入更清晰的安全边界。

　　针对特殊工业领域的安全与可靠性要求，玄幂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均可留在客户内网或园区机房，涉及隐私信息的文献检索、内部问答和材料生成等任务不发送至外部服务；系统可按延迟、显存和安全需求，选择端侧轻量模型、工作站模型或机房级模型。配套量子安全模组可协同部署，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基础。

　　据悉，目前玄幂已应用在国光量超量子计算智能实验平台和夸米多智能体系统等多个 AI 产品线中，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等环节，帮助多智能体理解量子术语、实验约束和科研表达规范。国光量超关于玄幂大模型的部分研究成果，已获得北京市新技术新产品新服务认证。（记者 肖春芳）