中国电信人工智能研究院近日宣布，其倾力打造的“复杂推理大模型”TeleAI-t1-preview已正式面世，并将很快在天翼AI开放平台上与公众见面。该模型采用先进的强化学习训练技术，通过引入探索与反思机制，显著提升了在逻辑推理与数学推导等复杂问题上的解答精度。
据官方介绍，TeleAI-t1-preview在美国数学竞赛AIME 2024与MATH500两项权威基准测试中，分别以60分和93.8分的优异成绩，远超OpenAI的o1-preview和GPT-4o等业界标杆模型。在研究生级别问答测试GPQA Diamond中，其表现同样出色，得分超越GPT-4o，与Claude 3.5 Sonnet的性能不相上下。
评测显示，TeleAI-t1-preview在处理《九章算术》中的题目时，能够先对文言文进行精准理解和简化，再转换成现代汉语，并给出详细的数学推导过程和答案。这一过程中，模型展现了将形象思维与抽象思维相结合的能力，对所涉及场景进行具象化思考，从而更好地理解题目。
尤为TeleAI-t1-preview还能严谨地进行古今单位换算，确保了答案的准确性。这一成就得益于中国电信人工智能研究院在模型训练策略上的创新。
在数据准备阶段，研究院收集并构建了一个以数学为核心、涵盖多学科的高质量推理数据集，为模型适应不同类型推理任务打下了坚实基础。还训练了一个专门的Judge Model，用于分析和评估模型长思考链路的正确性，为模型的反思和错误修正提供精准指导。
在监督微调（SFT）阶段，研究院采用蒙特卡洛树搜索（MCTS）构造高质量长推理数据，结合每个步骤的准确率和解决方案长度，选择最优完整路径。这不仅保证了推理答案的准确性，还有效拉长了思考链路，使推理过程更加细粒度。同时，利用Judge Model对推理过程中正确率较低的路径进行分析，引导模型对错误推理步骤进行反思和修正，从而构造出高质量的思维链数据进行SFT训练。
在强化学习阶段，研究院额外构造了基于规则的奖励模型（Rule-based Reward Model），提供准确奖励信号，通过在线强化学习算法进一步提升模型的逻辑推理能力。这一系列创新举措，共同成就了TeleAI-t1-preview在复杂推理领域的卓越表现。
