最近探花 眼镜妹，腾讯元宝不错说是「杀疯了」，先是多款居品接入 deepseek，推出自研混元 T1 模子，又是猛推流，一度超过字节 " 豆包 " 登顶中国区 App Store 免费榜第二，又是入驻微信生计做事"九宫格"。

在各家大模子纷纷推出深度想考模子的同期，腾讯混元又「反常」地推了一个快想考模子 Turbo S。

2 月 27 日，腾讯混元自研的快想考模子 Turbo S 适当发布，现时已在腾讯云和元宝上线。

分别于 Deepseek R1、混元 T1 等需要"想一下再回复"的慢想考模子，混元 Turbo S 大致斥逐"秒回"，吐字速率提高一倍，首字时延缩短 44%，同期在学问、数理、创作等方面也有凸起弘扬。通过模子架构改进，Turbo S 部署老本也大幅着落，捏续鼓励大模子应用门槛缩短。

有相关标明，东说念主类约 90% — 95% 的日常决策依赖直观，快想考正如东说念主的"直观"，为大模子提供了通用场景下的快速反映才略，而慢想考更像感性想维，通过分析逻辑提供贬附近题想路。快想考和慢想考的鸠集和补充，不错让大模子更智能、更高效地贬附近题。

据先容，通过短长想维链交融，腾讯混元 Turbo S 在保捏文科类问题快想考体验的同期，基于自研混元 T1 慢想考模子合成的长想维链数据，显赫纠正了理科推理才略，斥逐模子全体成果提高。

手脚旗舰模子，Turbo S 昔时将成为腾讯混元系列繁衍模子的中枢基座，为推理、长文、代码等繁衍模子提供基础才略。

基于 Turbo S，通过引入长想维链、检索增强和强化学习等时代，腾讯自研了推理模子 T1，该模子已在腾讯元宝上线，用户不错采用 Deepseek R1 或腾讯混元 T1 模子进行回答，具体操作上，在元宝中采用 Hunyuan 模子，点亮 T1 即为深度想考，不点亮则为 Turbo S。

开导者和企业用户照旧不错在腾讯云上通过 API 调用腾讯混元 Turbo S，即日起一周内免费试用。订价上，Turbo S 输入价钱为 0.8 元 / 百万 tokens，输出价钱为 2 元 / 百万 tokens，比较前代混元 Turbo 模子价钱着落数倍，是 deepseek API 老本的 1/2-1/4，团队称「比大模子界的拼多多还低廉」。另外，混元满血 T1 将在 3 月初发布。

在 3 月 2 日腾讯混元的直播里，腾讯混元大家团队对此次推出的快想考模子作念出了详解，极客公园整理重心如下：

为什么要作念「快想考」？

团队通过分析和不雅察发现，用户约 90% 的苦求齐不错依靠大模子的 "直观"（即快想考模子），无需深度想考就能精确松弛地给出谜底，是以针对这些苦求需要模子能更快、更准地修起。

关于剩下的约 10% 的苦求，需要模子能进行深度想考致使反想，从而给出更精确的谜底。

同期，快想考模子不仅老本更低，还具备遍及的数据交融才略，大致融入 MySQL 模子或 Max 模子中的优质数据。

Turbo S 模仿了腾讯的慢想考模子 Hunyuan T1 的数据，该模子使用一种称为长想维链合成的时代进行测验。这有助于 Turbo S 在保捏其速率上风的同期，通过多技艺问题进行推理，使得关于其余 10% 需要反复反想想考的问题也能得到较精确谜底。

时代领悟：模子架构 / 工程优化

在业界通用的多个公开 Benchmark 上，腾讯混元 Turbo S 在学问、数学、推理等多个规模展现出对标 DeepSeek V3、GPT 4o、Claude3.5 等业界向上模子的成果弘扬。

* 表格中，其它模子的评测目的来自官方评测罢休，官方评测罢休中不包含部分来自混元里面评测平台

架构方面，通过改进性地招揽了 Hybrid-Mamba-Transformer 交融时势，混元 Turbo S 灵验缩短了传统 Transformer 结构的计较复杂度，减少了 KV-Cache 缓存占用，斥逐测验和推理老本的着落。

传统 Transformer 架构存在以下颓势 ：

计较复杂度高，序列维度呈平素级关系，在测验和推理时复杂度高；

推理时需要 KV-Cache，且跟着序列长度加多线性加多，部署老本高；掂量时常间老本高，每步掂量因重复 KV-Cache 与序列长度呈线性关系，越往青年景越慢，尤其关于 Mamba 线性 Attention 机制，每步掂量齐是 O1 复杂度，是以需要作念更高效的 attention 或致使 linear 的 attention，现时行业内已有一些关系探索决策如 window attention、mobile、NSA 等，齐是通过不同表情压缩计较复杂度。

Hybrid-Mamba-Transformer 交融架构是混元 Turbo S 中的一项粉碎性架构改进，通过交融两种遍及的架构，均衡服从和高下文推理才略：

Mamba 是一种现象空间模子（SSM），专为高效处理长序列而缱绻，在内存使用上比 Transformer 更为检朴。与 Transformer 不同，后者在处理长文本时会遭逢 KV-cache 内存的平素级延伸问题，而 Mamba 不错在不产生过多计较支出的情况下处理更长的文本，更合适阅读、纪念和生成长文档的回答（举例法律文本、相关论文等）。

尽管 Mamba 高效，但它在捕捉复杂的高下文关系方面不如 Transformer。Transformer 擅长衔接复杂的时势和依赖关系，特等合适推理密集型任务，如数学运算、逻辑推理和问题贬责，适用于多技艺推理、代码生成和深度高下文衔接。

混元 Turbo S 初次将 Mamba 应用于超大限制 MoE 模子 MoE（大家夹杂模子）通过每次查询激活一部分参数，从而提高计较服从，在保捏精度的同期充分愚弄了 Mamba 的高效性，同期也保留了 Transformer 在推理任务中的上风。这一粉碎不仅缩短了测验和推理老本，还提高了速率和智能水平。

算法作念到了哪些不同样的责任？

短长想维链的交融。

通过短长想维链交融，关于需反复推理反想的问题也能得到更精确谜底， T1 模子可得到相对长链数据，将长链数据和短链数据交融测验后采样，采样依据正确性和长度正确性，招揽规章步履和滤波 model case ，从而提高模子全体才略，尤其在数学、代码、逻辑等强推理任务上弘扬更好，且短链模子能很好地交融长链才略，体验更佳。

即短链模子其实体验更佳，通过交融长链也能有很好的推理才略。

scaling law 还没斥逐

GPT-4.5 是短链模子天花板的一个存在，但 API 的老本额外高，以百万 tokens 计较约为 150 好意思元，约是 Turbo S 老本 500 倍，且据揣测，GPT-4.5 的激活参数目达万亿级别。因此，Turbo S 等快想考模子的出现，恰是为了在保证反映速率的同期，缩短老本并保捏较好的性能。

现时 scaling 远未斥逐。从数据量来看，无论是模子 size 的 scaling 照旧测验数据的 scaling，当今汉文互联网上可获取数据量各家差未几，谁能通过获取或合成表情得到更大齐据量对模子 performance 来说是关键。

标注数据方面，更专科标注团队对模子弘扬影响大，如演义创作、医疗看法等探花 眼镜妹，领有更专科标注团队和数据的模子弘扬会更好，全体来看，在数据、算法、算力工程优化等方靠近 scaling 的探索齐远未斥逐。