德国AI咨询公司TNG推出的“DeepSeek R1T2”模型近日走红，其在速度和性能上表现出色，在智能与输出token长度间寻得平衡，虽存在一定局限但仍备受关注。该模型融合多个官方模型并采用专家组合技术开发，目前已开源并在Hugging Face开放权重。
“DeepSeek R1T2”模型的性能表现
“DeepSeek R1T2”模型速度优势明显，比DeepSeek官方的R1 - 0528快200%，比R1快20%。在性能方面，其在GPQA Diamond（专家级推理能力问答基准）和AIME 24（数学推理基准）上的表现优于R1，但未达到R1 - 0528的水平。
“DeepSeek R1T2”模型的技术构成
此模型采用专家组合（Assembly of Experts，AoE）技术开发，融合了DeepSeek官方的V3、R1和R1 - 0528三大模型。它是基于DeepSeek - MoE Transformer架构的大语言模型，参数规模为671B，从初代双基模型架构升级到三心智融合架构，新增基模型R1 - 0528，并利用较高精度的直接脑区编辑实现AoE技术构建。
“DeepSeek R1T2”模型的优势对比
与DeepSeek R1对比，R1T2有望成为理想替代品，性能更佳且几乎可通用；与R1 - 0528对比，若无需最高智能，R1T2更经济；与R1T对比，通常建议使用R1T2，除非特定情况；与DeepSeek V3 - 0324对比，若需推理能力，R1T2是首选，V3则速度更快。
“DeepSeek R1T2”模型的局限性
R1 - 0528虽推理耗时更长，但在高难度基准测试中仍优于R1T2；经SpeechMap.ai测评，R1T2应答克制度显著高于R1T，但低于R1 - 0528；暂不支持函数调用，受R1基模型影响，现阶段不推荐函数调用密集型场景；基准测试变更，开发版由AIME24 + MT - Bench变更为AIME24/25 + GPQA - Diamond测评体系，新体系下R1与初代R1T的分差较早期公布数据更大。
“DeepSeek R1T2”模型的开源情况与大众看法
“DeepSeek R1T2”模型遵循MIT协议开源，并在Hugging Face上开放了权重，地址为https：//huggingface.co/tngtech/DeepSeek - TNG - R1T2 - Chimera 。在评论区，有人误以为其出自DeepSeek官方，更多人认可该模型在智能与输出token长度间找到最佳平衡点且提升了速度，并对其在现实世界的表现充满期待。