Exklusiv | Xu Can von Tencent Hunyuan wechselt zu WeLM bei WeChat, die KI-Entwicklung von WeChat tritt in eine beschleunigte Phase ein

Text von Li Zhaofeng

Redaktion: Zhang Yuxin

Laut Informationen von mit der Sache vertrauten Personen bei Intelligent Emergence ist Xu Can, ein erfahrener Forscher von Hunyuan, kürzlich zum WeLM-Team von Tencent gestoßen, um an der Forschung und Entwicklung von großen Modellen zu arbeiten.

Mehrere informierte Personen berichten, dass Xu Can vor der Übernahme der Forschung und Entwicklung von großen Sprachmodellen bei Tencent durch Yao Shunyus die Leitung einer Richtung des Post-Trainings im Hunyuan-LLM-System innehatte. Es ist erwähnenswert, dass diese Versetzung in einer Phase stattfindet, in der WeChat seine Fähigkeiten bei selbst entwickelten großen Modellen und Agenten kontinuierlich stärkt. Im Juni ist der native KI-Assistent von WeChat „Xiaowei“ in einen kleinen Grautest eingetreten, mit dem native Funktionen von WeChat per Text oder Sprache bedient und Mini-Programme aufgerufen werden können, um Dienstaufgaben zu erledigen.

Öffentliche Stellenausschreibungen zeigen auch, dass WeChat kürzlich Forscher für die Richtungen WeLM-Inferenzoptimierung und Agent sucht. Der Beitritt von Xu Can wird die Forschungs- und Entwicklungskräfte von WeLM in den Bereichen Training, Inferenz und Ausführung komplexer Aufgaben weiter ergänzen.

Dieser erfahrene Forscher mit Hintergrund bei Microsoft Research Asia befasst sich seit langem mit synthetischen Daten, der Konstruktion von Anweisungsdaten und der Post-Trainingsforschung von großen Modellen. Insbesondere seine Erfahrungen im Bereich der Verstärkungslernrückmeldung, automatischen Bewertung und Iteration von Trainingsdaten passen sehr gut zur aktuellen Richtung von WeLM, die die Fähigkeiten des Modells bei der Modelltraining und komplexen Aufgaben stärkt.

Laut informierten Personen sind die Erfahrungen von Xu Can bei der Arbeit am Post-Training bei Hunyuan in den letzten zwei Jahren genau der Teil, auf den WeLM Wert legt.

01 Wichtiges Mitglied von Hunyuan LLM, konzentriert sich auf die Richtungen Agent und Post-Training

Diese Stellenänderung bei Hunyuan hängt eng mit der Anpassung der technischen Route und dem Personalwechsel des Teams im letzten Jahr zusammen.

Die Bekanntheit von Xu Can in der Branche für große Modelle geht auf das von ihm während seiner Zeit bei Microsoft erstellte Projekt WizardLM zurück. Im April 2023 veröffentlichte er als Erstautor das WizardLM-Papier und stellte die Evol-Instruct-Methode vor: Lassen Sie das große Modell automatisch den Schwierigkeitsgrad, die Einschränkungen und die Inferenzschritte vorhandener Aufgaben erhöhen, und trainieren Sie das Modell dann mit den generierten komplexen Anweisungen. Diese Methode wurde anschließend in Projekten wie WizardCoder und WizardMath eingesetzt und schrittweise auf Bereiche wie Code, Mathematik, Modellbewertung und Verstärkungslernen ausgeweitet.

Im Mai 2025 kündigte Xu Can an, Microsoft zu verlassen und zu Tencent Hunyuan zu wechseln. Es wird berichtet, dass er zu diesem Zeitpunkt bereits ein halbes Jahr dort tätig war. Vor ihm stieß Hu Han (Hauptautor von Swin Transformer, der kürzlich Tencent verlassen hat) Anfang 2025 von Microsoft Research Asia zu Hunyuan. Danach begann das Team, das von Forschern mit Microsoft-Hintergrund wie Hu Han und Xu Can vertreten wurde, den Namen „Hunyuan X“ zu verwenden. Seine Forschung erstreckte sich über multimodales Verständnis, visuelle Inferenz und große Sprachmodelle und war zu dieser Zeit eine wichtige technische Kraft innerhalb von Hunyuan.

Laut Intelligent Emergence übernahm Xu Can in dieser Zeit wichtige Verantwortung in der Richtung des Post-Trainings von großen Sprachmodellen.

In der zweiten Hälfte des Jahres 2025 begann sich das ursprüngliche technische und organisatorische Gefüge des Hunyuan-Teams schnell zu verändern, als Yao Shunyu zu Tencent stieß und die entsprechenden Geschäfte übernahm, und auch die Verantwortlichkeiten von Xu Can wurden angepasst.

Im Dezember desselben Jahres kündigte Tencent offiziell die Umstrukturierung der Forschungs- und Entwicklungsarchitektur für große Modelle an. Yao Shunyu übernahm gleichzeitig die Leitung der Abteilung für KI-Infrastruktur und der Abteilung für große Sprachmodelle und berichtete als Abteilungsleiter an Lu Shan und Liu Chiping; Wang Di blieb stellvertretender Generalmanager der Abteilung für große Sprachmodelle und berichtete an Yao Shunyu. Zu diesem Zeitpunkt wechselte Xu Can in die Richtung des Post-Trainings.

Laut Intelligent Emergence hat Hunyuan nach dem Eintritt von Yao Shunyu weiterhin Forscher aus den Teams verschiedener großer Basismodellhersteller eingestellt. Allein im Bereich des Post-Trainings sind mindestens zwei Kernmitglieder eines großen Herstellers zu Hunyuan gestoßen, die parallel zum Team von Xu Can an verschiedenen technischen Richtungen arbeiten.

In der zweiten Hälfte des Jahres 2025 beschrieben einige öffentliche Berichte Xu Can als den Hauptverantwortlichen für das Post-Training bei Hunyuan. Tatsächlich wurde das Post-Training-Geschäft von Hunyuan zu diesem Zeitpunkt in mehrere Gruppen aufgeteilt, wobei Xu Can für eine der Richtungen verantwortlich war. Laut Intelligent Emergence haben mehrere Gruppen des Post-Trainingsteams in Bereichen wie Datenorganisation, System-Prompts und Produkt-Engineering-Pfade Erkundungen durchgeführt.

Nach mehreren Anpassungen bei Hunyuan zeigt Xu Cans öffentliches Sozialmedienkonto kürzlich seinen Status als Principal Researcher von Tencent Hunyuan an, also als erfahrener Forscher. Er erscheint in diesem Jahr noch häufig als Autor in mit Hunyuan verbundenen Papieren.

Es ist bekannt, dass WeLM seit langem unabhängige Forschungs- und Entwicklungskapazitäten für Sprachmodelle und Verstärkungslernen beibehält und auch Erfahrungen mit synthetischen Daten, Belohnungsmodellen und Post-Training benötigt. Die technischen Erfahrungen, die Xu Can in den letzten Jahren gesammelt hat, finden in diesem Team genau einen neuen Anwendungsbereich.

02 Neben Hunyuan erforscht WeLM große Modelle auf unabhängige Weise

Dieser Personalwechsel fällt genau in den Zeitpunkt, an dem zwei parallele Forschungs- und Entwicklungssysteme für große Modelle innerhalb von Tencent betrieben werden.

Nachdem Yao Shunyu Hunyuan übernommen hat, begann Tencent, die in den verschiedenen internen Teams verteilten KI-Forschungs- und Entwicklungsressourcen weiter zu integrieren. Im Dezember 2025 richtete die TEG (Tencent Technology Engineering Group) neue Abteilungen für KI-Infrastruktur, KI-Daten und Datenberechnungsplattformen ein, wobei Yao Shunyu gleichzeitig für die Abteilung für KI-Infrastruktur und die Abteilung für große Sprachmodelle verantwortlich war.

Einige Monate später wurde das fast zehn Jahre alte Tencent AI Lab aufgelöst. Ein Teil der Forscher wurde in die Abteilung für große Sprachmodelle integriert, ein anderer Teil wechselte zum Zentrum für Industrie-Universität-Forschung-Kooperation. Durch diese Runde von Anpassungen wurden die Modellentwicklung, Daten, Trainingsinfrastruktur und die ursprünglichen Grundlagenforschungskräfte weiter in das von Yao Shunyu geleitete Hunyuan-System zusammengeführt.

In der Organisation für die Forschung und Entwicklung von Basismodellen bei Tencent behält die WXG (WeChat Group) jedoch noch immer ein relativ unabhängiges Forschungs- und Entwicklungsteam bei.

Im Jahr 2022 veröffentlichte das WeChat-Team das chinesische vortrainierte Sprachmodell WeLM. Aus den veröffentlichten Papieren geht hervor, dass WeLM über 10 Milliarden Parameter verfügt, 18 chinesische Aufgaben bei mehreren Modellen gleicher Größe übertrifft, in einigen Leistungen Modellen mit 25-fach größerer Parameterzahl entspricht und zeitweise Anträge auf Modellnutzung geöffnet hat.

Im August 2025 veröffentlichte das WeChat-Team zudem WeChat-YATT, ein RLHF-Trainingsframework für große Sprachmodelle und multimodale Modelle. Dieses Framework löst hauptsächlich Probleme wie Controller-Erweiterung, dynamisches Sampling und GPU-Ressourcenplanung. Laut dem Papier wird es bereits zum Trainieren von Modellen verwendet, die die Funktionen von WeChat-Produkten unterstützen, und dient einer großen Anzahl von Nutzern.

Gleichzeitig sind einige Technologien für große Modelle bereits in die Empfehlungs- und Werbesysteme von Video-Kanälen und Freundeskreisen eingeflossen. Es ist jedoch bemerkenswert, dass die darin verwendeten Modelle nicht alle aus dem WeLM-System stammen. Beispielsweise verwendet LEADRE, das im Link-Rückrufschritt von Video-Kanälen und Freundeskreiswerbung bereitgestellt wird, das Hunyuan-Modell mit 1 Milliarde Parametern als Grundlage.

Im Jahr 2026 zeigen von Tencent veröffentlichte technische Dokumente, dass die neue Generation von WeLM auf eine hochgradig dünn besetzte MoE-Architektur umgestiegen ist. Eine Basisversion hat insgesamt etwa 80 Milliarden Parameter, wobei bei jeder Inferenz etwa 3 Milliarden Parameter aktiviert werden; das Team erweiterte es anschließend tiefgehend zu einer Variante mit etwa 130 Milliarden Parametern und etwa 4,9 Milliarden aktivierten Parametern.

Am 9. Juli 2026 veröffentlichte das WeChat-KI-Team die Forschung zu Hidden Decoding und stellte zwei Modelle WeLM-HD4-80B und WeLM-HD4-617B vor. Diese Methode erhöht die interne Berechnung für jedes Token, ohne das ursprüngliche Transformer-Backbone zu vergrößern, und wendet diese Erweiterungsmethode in der Längendimension erstmals auf MoE-Modelle mit über 100 Milliarden Parametern an.

Nach der internen Testphase von Xiaowei wurde WeLM auch von der Außenwelt beachtet. Viele Interpretationen gehen davon aus, dass WeLM ein „kostengünstiges kleines Modell“ ist, das speziell für WeChat trainiert wurde.

Laut Analysen von Branchenkennern zielt das WeLM-Team jedoch darauf ab, eine umfassende Umgestaltung von WeChat durch KI voranzutreiben, einschließlich, aber nicht beschränkt auf Szenarien wie Chats, soziale Kontakte und Dienstleistungen von Mini-Programmen.

Das bedeutet, dass das WeLM-Team nicht nur Modelle mit niedrigen aktivierten Parametern entwickeln muss, um die Effizienz der Produktbereitstellung zu verbessern, sondern auch große Modelle auf Parameterebene von 600 Milliarden erforschen muss, um die Fähigkeitsobergrenze kontinuierlich zu durchbrechen.

Vor diesem Hintergrund sind WeLM und Hunyuan auf Ressourcenebene sowohl Kooperationspartner als auch Konkurrenten. Die beiden Teams haben überlappende explorative Arbeiten in bestimmten Phasen, und es kommt auch zu ähnlichen Personalflüssen.

Hinter den beiden großen Basismodellteams steht der Wettbewerb um den C-End-KI-Eingang

Die Haupt-KI-Produkt von Tencent für den C-End, Yuanbao, hat die Funktion „Yuanbao Pai“ Anfang dieses Jahres eingeführt, was zu einer Überschneidung zwischen den beiden Systemen Hunyuan und WeChat auf Produktebene geführt hat.

Zu dieser Zeit versuchte Yuanbao Pai, KI in soziale Szenarien mit mehreren Personen einzuführen, und unterstützte Funktionen wie die Zusammenfassung von Gruppenchats, Bildgenerierung und gemeinsame Unterhaltung. Das WeChat-Team hat auch selten einige Verbreitungsressourcen freigegeben, und Einladungen zu Yuanbao Pai können über WeChat-Freunde, Gruppenchats und Freundeskreise verbreitet werden.

Für Yuanbao bedeutet dies, den Eingang der Kern-Beziehungskette von Tencent zu erhalten; für WeChat ist dies auch ein Produktexperiment, um zu beobachten, ob KI soziale Beziehungen neu organisieren kann.

Vor dem Hintergrund des „begrenzten“ Ressourcenaustauschs von WeChat ist Yuanbao jedoch nicht zu dem erwarteten Durchbruchspunkt für den C-End von Tencent geworden.

Allein während des Frühlingsfestes erreichten Yuanbao Pai und die Spielmethoden mit roten Umschlägen vorübergehend einen hohen Verkehrsaufkommen. Laut Angaben von Tencent überschritt die tägliche aktive Nutzerzahl von Yuanbao bis zum 18. Februar dieses Jahres 50 Millionen, und die monatliche aktive Nutzerzahl erreichte 114 Millionen.

Diese Wachstumsdividende hat sich jedoch nicht dauerhaft niedergeschlagen. Daten von QuestMobile zeigen, dass die tägliche aktive Nutzerzahl von Yuanbao nach dem Ende der Aktion mit roten Umschlägen schnell auf das Niveau vor dem Frühlingsfest zurückfiel; bis März 2026 betrug die monatliche aktive Nutzerzahl der unabhängigen App Yuanbao 57,35 Millionen und erreichte nicht die Gruppe von KI-Anwendungen mit über 100 Millionen monatlich aktiven Nutzern, nur die drei Produkte Doubao, Qianwen und DeepSeek haben eine monatliche aktive Nutzerzahl von über 100 Millionen.

Gleichzeitig hat WeChat schnell den seit langem gemunkelten nativen KI-Assistenten „Xiaowei“ eingeführt. Er verfolgt einen Weg der Zusammenarbeit mehrerer Modelle: Einige Rückmeldungen aus internen Branchentests zeigen, dass das Hauptmodell von „Xiaowei“ das von dem WeChat-Team selbst entwickelte WeLM ist, und für einige Antworten wird DeepSeek aufgerufen.

Im Juni dieses Jahres begann die WeChat-Open-Plattform, Mini-Programme die Integration in das WeChat-KI-Ökosystem zu ermöglichen: Im automatischen Modus kann die Plattform den Quellcode von Mini-Programmen lesen, die Seitenstruktur analysieren und die WeChat-KI direkt bedienen lassen; im Entwicklermodus können Entwickler Geschäftsfunktionen auch als Fähigkeiten kapseln, die von der Plattform geprüft werden und von der WeChat-KI aufgerufen werden können.

Aus der Funktionsform von „Xiaowei“ geht hervor, dass Agenten die Schlüsselfähigkeit von WeChat sind, KI in Chats, soziale Kontakte und Dienstleistungen von Mini-Programmen zu integrieren, was davon abhängt, ob KI Anforderungen wirklich verstehen und Operationen abschließen kann. Die Erfahrungen von Xu Can in den Richtungen Post-Training und Agenten können WeLM möglicherweise dabei helfen, seine Fähigkeiten bei Aufgabenplanung, Tool-Aufruf und Ausführung komplexer Aufgaben zu stärken.

WeLM ist darauf ausgerichtet, den Fokus auf die Nutzerprivatsphäre, die Anpassung an WeChat-Szenarien und Kosteneffizienz zu legen. Angesichts der riesigen und komplexen Nutzerszenarien von WeChat muss der zukünftige WeChat-Agent nicht nur die Absichten der Nutzer verstehen, sondern auch Aufgaben zwischen verschiedenen Diensten planen, Tools aufrufen und Operationen stabil abschließen. Dies stellt höhere Anforderungen an das Post-Training des Modells, die Gestaltung von Belohnungen, die Aufgabenbewertung und die Stabilität der Ausführung.

Vor diesem Hintergrund erscheint es plausibel, dass das WeLM-Team Wert auf die Erfahrung der Kandidaten im Bereich des Post-Trainings von allgemeinen großen Modellen legt.

Tatsächlich lassen sich hinter Hunyuan und WeLM leicht zwei organisatorische Logiken von Tencent bei KI-Eingängen erkennen: Hunyuan verfügt über konzentriertere Ressourcen für Rechenleistung, Daten und Modellentwicklung; WeLM verfügt über den nativen Eingang von WeChat, das Inhaltsökosystem, die Dienstleistungen von Mini-Programmen und echte Nutzerfeedback.

Allerdings benötigen beide Logiken einen starken technischen Unterbau zur Unterstützung.

Laut Informationen von Intelligent Emergence haben die Teams von WeLM und Hunyuan zuvor bereits einen Teil der Zuweisung von Rechenleistungsressourcen geteilt. Diese Versetzung von Personal zu WeLM weist ferner darauf hin, dass der parallele Betrieb dieser beiden Forschungs- und Entwicklungssysteme für große Modelle auf Modellebene und Produktebene weiter fortgesetzt wird.