昨夜，腾讯正式将旗下混元大模型系列的深度思考模型升级为混元-T1正式版。这个消息一出来，圈内讨论的声音不少——毕竟，这直接对标的是近期大热的DeepSeek-R1，而且价格策略相当激进。

从核心能力说起：T1是腾讯自研的强推理模型，吐字速度达到了60~80 token/s。在实际生成效果上，这个速度表现远快于DeepSeek-R1，确实有点东西。

这款模型的前身是今年2月中旬混元团队在腾讯元宝APP上线的T1-Preview（Hunyuan-Thinker-1-Preview）推理模型。与Preview版本不同的是，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，并进一步对齐了人类偏好。从技术角度来看，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。

从多个公开数据集的评测结果来看，在MMLU-pro、CEval、AIME、Zebra Logic等中英文知识和竞赛级数学、逻辑推理指标上，T1基本持平或略超DeepSeek-R1。对于一款新发布的模型，这个起点相当扎实。

目前，T1已在腾讯云官网上线。价格方面，输入为每百万tokens 1元，输出为每百万tokens 4元。对比一下：输出价格是DeepSeek标准时段的1/4，与DeepSeek优惠时段一致。这个定价策略，显然是冲着“高性价比”去的。

——DeepSeek API价格示意图。

实际表现：不仅快，而且稳

在知识问答场景，腾讯混元研究团队展示了T1和DeepSeek-R1的对比。第一个提示词是“醋酸乙酯能与水混合吗”。结果很有意思：T1和DeepSeek-R1整体生成结果的长度、结论都相近，但T1的生成速度明显更快。这才是用户真正能感知到的提升。

第二个挑战是理科数学推理。这类问题对模型的限制条件更多，思考过程也更长。从输出结果看，两者结论一致，但速度仍是T1领先。

第三个挑战考验的是复杂指令跟随能力。让T1对下联，上联是“深深浅浅溪流水”。难点藏在细节里：模型需要遵循一致的三点水偏旁，前四个字还必须是AABB结构。T1的思考过程中，准确分析出了上联的特点，经过多次错误尝试后给出了答案：“洋洋洒洒波涛涌”。这个结果，说明模型对复杂约束的解析能力相当在线。

第四个场景是通用任务——生成一个朋友圈文案，主题是“漫漫人生路”。属于完全开放性的问题，没有明确风格指令。对于强推理模型来说，这种“无边界”的任务反而容易看出功底。

T1的生产力属性也在长文总结摘要的Demo中得到了体现。给出一篇关于微软收购暴雪的4000字新闻报道，要求T1总结文章内容。最终输出不仅涵盖了主要内容，还准确提炼了多个关键数字。对于日常办公场景来说，这种能力相当实用。

最后是关于角色扮演能力的演示。提示词是“请扮演李白，语气符合李白特征，猜一个字谜：告状无效”。T1在思考过程中重点分析了字谜，得出结果为“皓”，然后按照李白的口吻输出答案并赋诗一首。能写诗又懂推理，确实有些“跨界”的意思。

技术底色：架构决定上限

混元-T1除了在各类公开Benchmark上与R1对标外，在腾讯内部人工体验集评估上也能看齐。其中，文创指令遵循、文本摘要、Agent能力方面甚至略胜于R1。

在MMLU-PRO（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）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。

从技术架构来看，混元T1正式版沿用了混元Turbo S的创新思路，采用Hybrid-Mamba-Transformer融合模式。这是工业界首次将混合Mamba架构无损应用于超大型推理模型。这一架构的核心价值在于：降低传统Transformer架构的计算复杂度，减少KV-Cache内存占用，从而降低训练和推理成本。

在长文本推理方面，TurboS的长文捕捉能力可以有效解决上下文丢失和长距离信息依赖难题。而Mamba架构则专注于优化长序列处理能力，通过高效计算方式在保证长文本信息捕捉能力的同时，降低计算资源的消耗。在相同部署条件下，解码速度快了2倍。这才是真正的突破性进展。

在模型后训练阶段，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。这个比例，可以说非常聚焦了。

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，从基础数学推理到复杂科学问题均有覆盖。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可控且可靠。

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。这使得模型推理能力提升的同时，学会了高效利用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，T1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）加上reward mode的统一奖励系统反馈方案，指导模型进行自我提升。这套闭环反馈机制，保证了模型在不断迭代中持续优化。

小结

腾讯混元模型系列今年进入了快速迭代期。从深度思考模型T1到自研快思考模型Turbo S，节奏明显加快。此前，混元Turbo S在技术突破方面实现了首字时延降低44%，并已应用于腾讯元宝等内部产品。而此次发布的T1预览版也早已上线腾讯元宝。

可以看出，腾讯内部业务和场景已经全面接入混元系列大模型能力——包括腾讯元宝、腾讯云、QQ、微信读书、腾讯新闻、腾讯客服等。这个覆盖面，说明腾讯对于大模型的内部落地是认真的。

在此基础上，腾讯混元团队正在探索新的研究思路，寻找降低大模型幻觉、降低训练成本等的新解题方向。对于行业来说，有实力玩家持续投入，总是好事。