腾讯快思考模型的API调用成本不足深度求索一半

最近腾讯元宝的动作确实不小——先是多款产品接入了 DeepSeek，又推出了自研的混元 T1 模型，还在推广上猛发力，一度超越了字节的“豆包”，登上了中国区 App Store 免费榜第二。更不用说，它还入驻了微信生活服务的“九宫格”。在一片“深度思考”模型的热潮中，腾讯混元却“反常”地推出了一款主打快思考的模型——Turbo S。

2月27日，腾讯混元自研的快思考模型 Turbo S 正式发布，目前已在腾讯云和元宝上线。与 DeepSeek R1、混元 T1 这类需要“想一下再回复”的慢思考模型不同，Turbo S 主打“秒回”。它的吐字速度提升了一倍，首字时延降低了 44%，在知识、数理、创作等方面也有突出表现。更关键的是，架构上的创新让部署成本大幅下降，进一步拉低了应用门槛。

有研究表明，人类约 90%—95% 的日常决策依赖直觉。快思考就像人的“直觉”，为大模型提供了通用场景下的快速响应能力；而慢思考更接近理性思维，通过逻辑分析来解决问题。两种能力的结合与补充，才能让大模型变得更智能、高效。

据介绍，通过长短思维链的融合，Turbo S 在保持文科类问题快思考体验的同时，借助自研混元 T1 慢思考模型合成的长思维链数据，显著改进了理科推理能力，整体效果得到了提升。作为旗舰模型，Turbo S 未来将成为腾讯混元系列衍生模型的核心基座，为推理、长文、代码等衍生模型提供基础能力。基于 Turbo S，通过引入长思维链、检索增强和强化学习等技术，腾讯自研了推理模型 T1，该模型已在腾讯元宝上线。用户可以在元宝中选择 Hunyuan 模型，点亮 T1 即进入深度思考，不点亮则使用 Turbo S。

开发者和企业用户已经可以通过腾讯云 API 调用 Turbo S，即日起一周内免费试用。定价方面，Turbo S 输入价格为 0.8 元/百万 tokens，输出价格为 2 元/百万 tokens，相比前代混元 Turbo 模型下降了数倍，是 DeepSeek API 成本的 1/2 到 1/4。团队甚至调侃说“比大模型界的拼多多还便宜”。另外，混元满血 T1 将在 3 月初发布。

在 3 月 2 日的腾讯混元直播中，专家团队对这次推出的快思考模型做了详细解读。极客公园整理了重点，下面逐一展开。

为什么要做“快思考”？

团队在分析中发现，用户大约 90% 的请求，都可以依靠大模型的“直觉”——也就是快思考模型——快速、精准地给出答案，根本不需要深度思考。而对于剩下的约 10% 的请求，才需要模型进行深度思考甚至反思，才能给出更精准的回答。快思考不仅成本更低，还具备强大的数据融合能力，能够融入 MySQL 模型或 Max 模型中的优质数据。Turbo S 借鉴了慢思考模型 Hunyuan T1 的数据，通过一种称为长思维链合成的技术进行训练，帮助模型在保持速度优势的同时，学会处理多步骤推理问题。这样一来，那 10% 需要反复反思的问题，也能得到比较精准的答案。

技术解析：模型架构与工程优化

在业界通用的多个公开 Benchmark 上，Turbo S 在知识、数学、推理等多个领域，展现了对标 DeepSeek V3、GPT-4o、Claude 3.5 等领先模型的效果。

架构层面，Turbo S 创新性地采用了 Hybrid-Mamba-Transformer 融合模式，有效降低了传统 Transformer 结构的计算复杂度，减少了 KV-Cache 缓存占用，实现了训练和推理成本的下降。

传统 Transformer 架构存在几个明显的短板：计算复杂度高，序列维度呈平方级关系；推理时需要 KV-Cache，且随着序列长度增加而线性增加，部署成本居高不下；预测时的时间成本高，每步预测叠加 KV-Cache 后与序列长度呈线性关系，越往后生成越慢。相比之下，Mamba 这类线性 Attention 机制，每步预测都是 O(1) 复杂度，因此行业也在探索更高效的 attention 方案，比如 window attention、mobile、NSA 等，本质都是通过不同方式压缩计算复杂度。

Hybrid-Mamba-Transformer 融合架构是 Turbo S 的一项突破性创新。Mamba 是一种状态空间模型（SSM），专为高效处理长序列设计，内存使用更节省。与 Transformer 不同，后者在处理长文本时会遇到 KV-cache 内存的平方级扩展问题，而 Mamba 可以在不产生过多计算开销的情况下处理更长的文本，特别适合阅读、总结和生成长文档的回答（比如法律文本、研究论文）。当然，Mamba 高效，但在捕捉复杂的上下文关系上不如 Transformer。Transformer 擅长理解复杂的模式和依赖关系，特别适合推理密集型任务，比如数学运算、逻辑推理和问题解决。

Turbo S 首次将 Mamba 应用到了超大规模 MoE 模型（专家混合模型）中。MoE 通过每次查询激活一部分参数来提高计算效率，在保持精度的同时，既用上了 Mamba 的高效性，也保留了 Transformer 在推理任务中的优势。这一突破不仅降低了训练和推理成本，还提升了速度和智能水平。

算法上的独特之处

核心在于长短思维链的融合。对于需要反复推理反思的问题，通过融合长链数据，模型也能给出更精准的答案。具体来说，T1 模型可以得到相对长的思维链数据，将这些长链数据和短链数据融合训练后采样，采样依据正确性和长度正确性，采用规则方法和滤波 model case，从而提升模型的整体能力。尤其在数学、代码、逻辑等强推理任务上，表现更为突出。而短链模型本身体验更佳，融合长链后，推理能力也上了一个台阶。

Scaling Law 还没结束

GPT-4.5 是短链模型的天花板，但 API 成本极高，以百万 tokens 计算约为 150 美元，大约是 Turbo S 成本的 500 倍。而且根据推测，GPT-4.5 的激活参数量已达到万亿级别。从这个角度看，Turbo S 这类快思考模型的出现，正是为了在保证响应速度的同时，降低成本并保持较好的性能。

无论是模型 size 的 scaling，还是训练数据的 scaling，目前 scaling law 远未结束。现在中文互联网上可获取的数据量，各家相差不大，谁能通过获取或合成方式获得更多数据量，是模型性能的关键。标注数据方面，更专业的标注团队对模型表现影响很大——比如小说创作、医疗方向，拥有更专业标注团队和数据的模型，表现会更好。总的来说，在数据、算法、算力工程优化等方面，对 scaling 的探索都远未结束。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：腾讯快思考模型的API调用成本不足深度求索一半要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题