智东西3月22日报道，昨夜，腾讯正式将混元大模型系列的深度思考模型升级为混元-T1正式版。
T1是腾讯自研的强推理模型，吐字速度达到60~80token/s，在实际生成效果表现中远快于DeepSeek-R1。
该模型的前身是，今年2月中旬混元团队在腾讯元宝APP上线的基于混元中等规模底座的混元T1-Preview（Hunyuan-Thinker-1-Preview）推理模型。
相比于T1-Preview，T1正式版基于腾讯混元3月初发布的业界首个超大规模Hybrid-Transformer-Mamba MoE大模型TurboS快思考基座，通过大规模后训练扩展了推理能力，并进一步对齐人类偏好，这也是工业界首次将混合Mamba架构无损应用于超大型推理模型。
目前，T1已在腾讯云官网上线，输入价格为每百万tokens 1元，输出价格为每百万tokens 4元，输出价格为DeepSeek标准时段的1/4，与DeepSeek优惠时段一致。
▲DeepSeek API价格
在知识问答场景，腾讯混元研究团队展现了T1和DeepSeek生成效果的对比。
第一个提示词是“醋酸乙酯能与水混合吗”。可以看到T1和DeepSeek-R1整体生成结果的长度、结果都相近，不过T1的生成速度明显更快。
第二大考验难题是关于理科数学推理，这一问题中对于模型的限制条件更多，其思维过程更长。从输出结果来看，T1和DeepSeek-R1生成的结论一致，速度仍然是T1更快。
第三大难题考验的是复杂指令跟随能力。让T1对出下联，提示词中给出的上联是“深深浅浅溪流水”。这其中的难点在于，模型要遵循一致的三点水偏旁、前四个字是AABB结构。T1的思考过程中，准确分析出了上联的特点，并在经过多次错误尝试后给出了答案：“洋洋洒洒波涛涌”。
第四大难题是通用任务，其提示词为开放问题“生成一个朋友圈文案，主题是漫漫人生路”，这之中并没有给出明确的风格指令要求，属于开放性问题。
T1还可以作为生产力工具，提升用户的工作效率，下一个Demo演示的是T1长文总结摘要的能力。
提示词时“针对微软收购暴雪的4000字左右新闻报道，要求T1总结一下文章内容”。在输出结果中，T1不仅总结了文章的主要内容，还提炼出新闻报道中的多个关键数字。
最后一个演示是关于模型的角色扮演能力。提示词为“请扮演李白，语气符合李白特征，猜一个字谜：告状无效”。T1的思考过程重点分析了字谜，得出结果为“皓”后，按照李白的口吻输出了答案并赋诗一首。
混元-T1除了在各类公开Benchmark、如MMLU-pro、CEval、AIME、Zebra Loigc等中英文知识和竞赛级数学、逻辑推理指标上基本持平或略超R1外，在腾讯内部人工体验集评估上也能对标，其中文创指令遵循、文本摘要、Agent能力方面略胜于R1。
在测试基座模型对于广泛知识理解的记忆和泛化能力的数据集MMLU-PRO上，T1得分仅次于o1，在CEval、AIME、Zebra Logic等中英文知识及竞赛级数学、逻辑推理的公开基准测试中，T1的表现与R1基本持平或略超R1。
模型后训练阶段，腾讯混元研究团队将96.7%的算力投入到强化学习训练，重点围绕纯推理能力的提升以及对齐人类偏好的优化。
数据方面，T1的高质量Prompt收集主要集中于复杂指令多样性和不同难度分级的数据。研究人员基于世界理科难题，收集了涵盖数学/逻辑推理/科学/代码等的数据集，包含从基础数学推理到复杂科学问题解决的问题，然后结合ground- truth的真实反馈，确保模型在面对各种推理任务时的表现。
训练方案上，T1采用课程学习的方式逐步提升数据难度，同时阶梯式扩展模型上下文长度，使得模型推理能力提升的同时学会高效利用token进行推理。
研究人员在训练策略方面，参考了经典强化学习的数据回放、阶段性策略重置等策略，提升了模型训练长期稳定性50%以上。
在对齐人类偏好阶段，其采用self-rewarding（基于T1- preview 的早期版本对模型输出进行综合评价、打分）+reward mode的统一奖励系统反馈方案，指导模型进行自我提升。
在此基础上，腾讯混元团队正在探索新的研究思路，找到降低大模型幻觉、降低训练成本等的新解题思路。
