AI 科技新聞

Raon-1 mini 是什麼？KRAFTON 30B 預覽模型的基準與免費 API 怎麼看

Raon-1 mini 是 KRAFTON 釋出的 30B 專家混合預覽模型，啟用參數約 4B，權重標示 Apache-2.0。本文依官網、文件與條款，整理七項基準的勝負、快與省記憶體的證據、Hugging Face 申請流程與免費 API 的限制。

KRAFTON AI 官方貼文附的基準比較圖，數字由廠商自行公布，縱軸未從 0 起算，非本站拍攝或測量。圖片來源：官方原文。

2026 年 10 月 21 日下午（台灣時間），韓國遊戲公司 KRAFTON 的 AI 團隊在 X 釋出 Raon-1 mini 預覽版。

貼文說它是 KRAFTON 從零訓練的 30B 專家混合模型，啟用參數 4B，在程式與代理任務上追平 Meta 的 Muse Glimmer，而且更快、更省記憶體。

遊戲公司自己訓練大型語言模型，再加上開放權重與限期免費的 API，讓人很想知道它能不能直接拿來用。專家混合模型是把模型拆成許多專家，每個詞元只啟動一小部分，所以 30B 是總參數，實際運算約 4B。

回到官方網站的比較表，Raon-1 mini 在七項基準中，有五項勝過同為專家混合的 Qwen3.6-35B-A3B 與 Gemma 4 26B-A4B。

但 MMLU-Pro 是五個模型中最低的 76.5，而且對上兩個密集模型，也就是 Qwen3.8-27B 與 Muse Glimmer 30B，在程式修復與長文件上仍落後。

所以「追平 Muse Glimmer」只在部分項目成立。至於「更快、更省記憶體」，官網只描述了架構，我在官網與文件頁都沒有找到速度或記憶體的數字，完整模型卡又需要申請才能讀。

實務上還有三件事要先知道：權重放在需填表申請的 Hugging Face 倉庫、免費 API 是限期測試，而且條款寫明提示詞會保存 14 天。

我的判斷是，Raon-1 mini 適合想試韓文與英文助理、想用相容端點低成本比較模型的開發者。需要影像輸入、長文件理解或穩定服務等級的團隊，現階段不適合。

要判斷它值不值得試，得先弄清楚這個預覽版到底是什麼規格。

Raon-1 mini 是什麼？KRAFTON 從零訓練的 30B 專家混合預覽模型

Raon-1 mini preview 是 KRAFTON 以 Raon 為品牌釋出的大型語言模型預覽版，型號寫成 30B-A4B，代表總參數約 30B、每個詞元啟動約 4B。

官方網站把它的架構歸納為三個設計。專家混合讓每次只動用必要的專家，線性注意力用較低的成本處理愈來愈長的對話，推測解碼則讓小模型先猜後面幾個詞元，再由大模型一次驗證。

KRAFTON 在貼文裡強調這是預覽版，最終版與更大的模型「即將推出」。所以現在看到的分數與規格，之後可能改變，官方文件也寫明預覽模型可能被修改或取代。

規格方面，文件列出上下文視窗是 262,144 詞元，輸入與輸出都只有文字，模型會先推理再回答，而且推理無法關閉。上下文視窗是模型單次能讀進去的資料量上限。

Hugging Face 倉庫在 10 月 21 日建立，主模型分成 7 個檔案，加總約 32.7 GB。

依 Hugging Face 的統計，實際參數約 28.8B，所以 30B 是型號上的概數。標籤顯示權重主要採 MXFP8 格式，並且附帶自訂程式碼。

同一個組織還放了幾個衍生版本。GGUF 版有 IQ4_XS 到 Q8_0 五種量化，大小約 16 到 31 GB。

MLX 與 NVFP4 版約 17.6 GB，推測解碼用的 DFlash 草稿模型約 2.7 GB。這些大小是我把 Hugging Face 檔案清單加總得到的。

官方文件還給了詞元換算，韓文大約每 2 到 3 個字一個詞元，英文大約每個單字一個詞元。這對估算費用與上下文很有用，也提醒你它的設計重心是韓文與英文。

規格講完，接著看官方拿出什麼成績來支持「追平」這個說法。

Raon-1 mini preview 與 Qwen3.6、Gemma 4、Muse Glimmer 在六項基準的長條圖比較 — KRAFTON AI 官方貼文附的基準比較圖，數字由廠商自行公布，縱軸未從 0 起算，非本站拍攝或測量。圖片來源：官方原文。

0:00

/0:39

Raon 官方網站提供的 Playground 示範影片，非本站實測。來源：官方發布。

Raon-1 mini 基準成績：勝過同類專家混合模型，但沒有勝過密集模型

官方網站用七項代表性基準，把 Raon-1 mini 與四個大小相近的開放模型比較，分數越高越好。

以下我把官網的表格整理出來。前三個模型是專家混合，後兩個是官網標示的密集模型，也就是每個詞元都動用全部參數的模型。

基準	測什麼	Raon-1 mini	Qwen3.6-35B-A3B	Gemma 4 26B-A4B	Qwen3.8-27B（密集）	Muse Glimmer 30B（密集）
MMLU-Pro	廣泛知識	76.5	85.9	82.9	85.7	84.0
GPQA Diamond	研究所等級科學題	84.3	83.2	80.7	89.7	82.6
IFBench	遵守多重限制的指令	84.2	66.6	80.9	82.4	78.7
SWE-Verified	修復真實程式問題	70.8	63.2	61.6	74.6	72.0
BrowseComp Plus	搜尋並整合網頁	55.7	34.8	32.2	58.0	52.8
AA-LCR	長文件推理	67.3	69.3	67.0	80.3	81.3
Chatbot Korean（內部）	韓文口語對話	92.9	74.5	90.6	90.1	87.0

官網的紅字標出的是「專家混合模型中最高」。

依表格計算，它在 GPQA、IFBench、SWE-Verified、BrowseComp Plus 與韓文對話五項高於兩個專家混合對手，MMLU-Pro 與 AA-LCR 則不是最高。

把密集模型放進來，圖像就不同了。在 MMLU-Pro、SWE-Verified 與 AA-LCR，它低於兩個密集模型。

在 GPQA 與 BrowseComp Plus，它勝過 Muse Glimmer，但輸給 Qwen3.8-27B。只有 IFBench 與韓文對話，它高於所有四個對手。

貼文說「在程式與代理任務上追平 Muse Glimmer」。

對照表格，SWE-Verified 是 70.8 對 72.0，低 1.2 分，BrowseComp Plus 是 55.7 對 52.8，高 2.9 分，所以說接近是合理的，說追平要加上「這兩項」。

官網另一張圖有第八項基準 AA-Omniscience，它得 3.5，Qwen3.6-35B-A3B 是 −7.2，Gemma 4 是 −46.6，Qwen3.8-27B 是 −0.5，Muse Glimmer 是 −34.7。

依官網的說明，這項基準衡量答對率，也看模型不知道時會不會拒答。分數同時含答對與少亂答兩種成分，所以不能直接當成知識量。

這也解釋了為什麼官網說它在「知識」類最高，表格裡的 MMLU-Pro 卻是最低。官網的「知識」類最高，指的是 AA-Omniscience，兩項測的是不同的事。

延伸閱讀：Muse Spark Open 開放權重：兩台 Mac Studio 能跑，企業採用還要看什麼？

這些分數怎麼讀？誰測的、對手的數字從哪來

這些分數都是 KRAFTON 自己公布的，頁面沒有說明對手分數是引用原報告，還是用同一套設定自行重跑。

這一點很重要，因為同一個模型在不同人手上的分數常常不同。

Meta 在 Muse Glimmer 自己的模型卡上，以高推理強度列出 SWE-Bench Verified 76.0、IFBench 77.0、GPQA Diamond 83.5 與 AA-LCR 80.0。

Raon-1 mini 官網表格裡的 Muse Glimmer 分別是 72.0、78.7、82.6 與 81.3。兩邊有高有低，差距最大的是 SWE-Verified 的 4 分，原因可能是推理強度或測試框架不同，官網沒有說明。

另外，官方貼文附的柱狀圖縱軸沒有從 0 開始，例如 IFBench 從 50 起算、BrowseComp Plus 從 20 起算，視覺上會放大差距。看圖時要回到標示的數字，不要用柱子高度判斷。

韓文對話分數來自內部基準，外部無法重現。它能說明 KRAFTON 針對自己的目標語言做了調整，但不能拿來和其他公司的模型做公平比較。

完整的 18 項基準放在 Hugging Face 模型卡。因為該倉庫需要申請存取，我無法讀到全文，所以本文只引用公開的官網與文件頁。

Raon-1 mini 的「更快、更省記憶體」有證據嗎？

貼文說 Raon-1 mini 比 Muse Glimmer 更快、更省記憶體。官網的支持是架構說明：專家混合只動用約 4B 參數，Muse Glimmer 是 29.6B 的密集模型，每個詞元要動用全部參數。

依這個設計，每個詞元的運算量確實應該小很多，粗略比較是 4B 對 29.6B。但官網與文件頁沒有給出每秒生成詞元數、首字延遲或顯存用量的測量值，所以「快多少」目前沒有數字可查。

記憶體就更要分開看。專家混合省的是每個詞元的運算量，所有專家的權重仍要放進記憶體，所以 Raon-1 mini 的 32.7 GB 檔案不會因為只啟動 4B 而變小。

另外，這個檔案的權重主要已是 FP8 格式，Meta 的 Muse Glimmer 模型卡則以完整精度標示目標約 64 GB 顯存，壓到約 4 位元後語言模型不到 20 GB。兩邊的精度不同，不能直接比大小。

官網說線性注意力讓長對話仍能有效整理資訊，至於是否降低記憶體成長，我沒有看到實測數字。AA-LCR 長文件項目的分數落後於兩個密集模型，也提醒你效率與長文件品質需要一起驗證。

所以這句話目前只有架構上的理由，沒有公開的數據支持，建議自己用同一台機器量測每秒詞元數與顯存。

怎麼取得與試用 Raon-1 mini：Hugging Face 申請、免費 API 與相容工具

權重在 Hugging Face 的 KRAFTON 組織下，標示 Apache-2.0，但倉庫設為「申請後存取」。申請表要填姓名、單位、職稱、國家、預定用途，並勾選同意 Apache 授權，狀態是自動核准。

倉庫標籤含 custom_code，通常表示載入模型需要執行倉庫裡的自訂程式碼。建議先讀過那些程式碼，並在隔離環境測試，不要在放有金鑰的機器上直接執行。

另一條路是官方的託管 API。流程是在官網填申請表，收到邀請信後註冊主控台，再自行發行 API 金鑰。模型代號是 raon-1-mini-preview。

API 同時支援三種格式：OpenAI 的 Chat Completions 與 Responses，以及 Anthropic 的 Messages。

所以 Claude Code、Codex 與其他相容工具，只要改基礎網址與金鑰就能呼叫。要注意 OpenAI 格式的網址是 https://raon-api.krafton.ai/v1，Anthropic 格式與 Claude Code 則不加 /v1。

curl https://raon-api.krafton.ai/v1/chat/completions \
  -H "Authorization: Bearer $RAON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "raon-1-mini-preview", "messages": [{"role": "user", "content": "Hello!"}]}'

官方也提供一行安裝腳本，直接把網路上的腳本交給 bash 執行。官方文件自己建議先讀過腳本再執行，或改走手動設定，我也建議這樣做，因為腳本會在你的機器上寫入檔案、調整設定。文件另附 --uninstall 選項可以還原。

相容不代表功能一致。文件列出，這個 API 不保存對話狀態，所以 Responses API 的 previous_response_id、檔案搜尋、程式執行與 MCP 工具會被拒絕，必須每次把完整對話送進去。

推理無法關閉，也不能調整強度，reasoning_effort 這類參數會被接受但沒有效果。推理詞元計入輸出上限，所以 max_tokens 設太低時，答案可能是空的。

取樣參數也不能自己調。文件寫明溫度固定為 1.0、top_p 為 0.95，即使請求裡帶了別的值也會被忽略。Raon 自己能代為執行的工具只有網頁搜尋，而且要看組織是否啟用。

能呼叫只是第一關，免費期與條款才是更需要先讀的部分。

延伸閱讀：EAGLE-4 是什麼？貼文稱 Qwen3.8-27B 達 961.6 tokens/s 的條件與授權

Raon-1 mini 的限制與風險：免費期、資料保存與條款

最大的實務風險是免費期。官網寫的是「限期免費」，條款也說 KRAFTON 保留日後收費或導入商業授權的權利，並會在生效前通知。所以不要把服務建立在永遠免費的假設上。

條款還有幾項限制。測試授權是有限、可撤銷的，只供評估與開發，KRAFTON 也可以隨時終止測試或停止服務。

另外，你不能用服務的輸出去訓練競爭模型。條款最後修訂日是 10 月 20 日。

條款也要求使用者自行承擔風險，並補償 KRAFTON 因你的使用或你的代理行動引起的第三方求償。KRAFTON 的總賠償責任上限是 100 美元，爭議由韓國法律與首爾法院管轄。

資料方面，10 月 21 日生效的隱私政策寫明提示詞會保存，並於儲存 14 天後刪除。在你同意的前提下，KRAFTON 會把個資假名化後，用來訓練、評估與改進模型。所以不要在提示詞裡放個資或機密。

服務也可能把資料傳到美國與韓國，部分委外作業在海外處理。若你的資料有地區限制，要先確認這一點。

還有授權範圍的分別。條款明說，Apache 授權只涵蓋 Hugging Face 上下載的模型與權重，並不涵蓋官方託管的 API 與 playground，那一側依託管存取條款。

最後是證據的限制：七項基準都是廠商自測，其中一項是內部基準，完整模型卡需要申請，速度與記憶體沒有數字。這些都要靠你自己的測試補上。

適合誰、不適合誰：試用 Raon-1 mini 前的檢查

Raon-1 mini 適合想做韓文與英文雙語助理原型的開發者，也適合想用 Anthropic 或 OpenAI 相容端點，低成本比較多個模型的團隊。

它不適合需要影像或檔案輸入的應用，因為模型只讀文字。需要長文件推理的工作也要小心，AA-LCR 的分數落後兩個密集模型。正式上線的服務更不適合，因為免費期、模型版本與條款都可能改變。

官方也沒有說明中文表現，只提到韓文與英文，所以以中文為主的使用者要先自己測。

試用前可以準備 20 題自己的任務，涵蓋韓文與英文、查資料、程式修復各幾題。同一批題目也交給你目前使用的模型，並固定相同的框架與設定。

記錄時除了答對率，也要記錄推理詞元占比與延遲。因為推理一律開啟，所以同樣的問題，它可能花掉更多輸出詞元。

最後把 API 條款的版本、模型代號與測試日期存檔。預覽模型會變動，今天的結果下週可能就不同。

Raon-1 mini 常見問題

Raon-1 mini 真的追平 Muse Glimmer 了嗎？

只在部分項目。SWE-Verified 低 1.2 分、BrowseComp Plus 高 2.9 分，但 AA-LCR 長文件低約 14 分，MMLU-Pro 也低。官網也承認紅字只代表專家混合模型中最高。

Raon-1 mini 可以商用嗎？

下載的權重標示 Apache-2.0，原則上允許商用。官方託管 API 則依測試條款，只供評估與開發，日後可能收費。正式商用前仍建議自行確認授權文字。

Raon-1 mini 支援中文嗎？

官方只說明支援韓文與英文，沒有提到中文。如果你的場景是中文，要自行測試。

免費 API 會一直免費嗎？

不保證。官網寫明是限期免費，條款保留收費權利。模型價格目前為零，但詞元用量與請求頻率仍有限制。

為什麼只是預覽版？

KRAFTON 在貼文裡表示這只是第一眼，最終版與更大的模型即將推出。所以現在的規格、分數與服務條件都可能調整。

先用自己的任務測，再決定要不要換

Raon-1 mini 的價值，在於一家遊戲公司用 4B 啟用參數做出可與同類專家混合模型比較的成績，又以 Apache-2.0 放出權重，並提供相容多種工具的免費端點。

但分數是廠商自測，速度與記憶體沒有數字，免費期與資料保存都有條件。我會把它放進測試名單，用韓文與英文任務試過，再決定是否投入。

想持續追蹤開放權重模型與代理工具的更新，可免費訂閱 AI 郵報，並以官方文件與模型卡核對後續變動。

資料來源

Raon-1 mini preview 官方網站：https://raon-mini.krafton.ai/en
Raon API 官方文件：https://raon-mini.krafton.ai/en/docs
Raon API 文件索引與全文（llms.txt）：https://raon-mini.krafton.ai/llms.txt
Raon 託管服務條款：https://raon-mini.krafton.ai/en/terms
Raon 隱私政策：https://raon-mini.krafton.ai/en/privacy
Raon-1-mini-preview（Hugging Face，需申請存取）：https://huggingface.co/KRAFTON/Raon-1-mini-preview
Muse Glimmer 30B 模型卡（Hugging Face）：https://huggingface.co/meta-models/Muse-Glimmer-30B
X 貼文（KRAFTON AI 官方帳號，熱度線索）：https://x.com/Krafton_AI/status/2112772568776339709