2024 年的 GPT-4 答一道数学竞赛题，正确率大约只有 9%。到了 2024 年底 OpenAI o1 发布，这个数字涨到 79%；开源的 DeepSeek R1 也不相上下，约 80%。
不是模型又大了几十倍，而是它们学会了一件事：在开口回答之前，先安静地"想"一会儿。
从"系统 1"到"系统 2"
心理学家卡尼曼把人的思考分成两种：系统 1 是快、直觉、自动化的（脱口而出"2+2=4"）；系统 2 是慢、深思熟虑、逻辑严密的（心算"17×24"）。
过去的大模型本质上都是"系统 1"思考者。它们靠海量预训练数据喂出的"语感"，一个词一个词地往下预测。如果第一步就走错，它们没法回头，只能顺着错误的逻辑继续"胡说八道"——也就是幻觉。
推理模型（o1、R1、Gemini 思考模式、Claude 扩展思考等）第一次把"系统 2"带进了 AI。它们被训练成：意识到自己卡住了，会主动回溯，换一条路再试，并在给出最终答案前反复验证自己的逻辑。
那个"安静地想一会儿"的过程，模型在后台生成了大量用户看不见的"思维链（CoT）"Token。它们充当了一个巨大的工作记忆缓冲区——在内部推演、自我纠错，最后只把整理好的答案交给你。
怎么教会模型"思考"
人脑的内部思考过程不可见，没法直接喂给模型。所以研究者用了强化学习（RL）：给模型一道极难的数学题，配一个自动验证器（比如一段 Python 脚本，只检查最终答案对不对）。做对了给奖励，做错了给惩罚。
经历数百万次试错后，模型会自发学会一个习惯：在不确定的地方多写一句"让我再仔细检查一遍"，最终获奖的概率就更高。
DeepSeek R1 把这个故事推到了极致。它先用纯 RL（没有任何人类写好的解题过程）训练，模型经历了著名的"顿悟时刻（Aha! Moment）"——自己学会了写超长推理轨迹、自我反思、纠错。之后再用最干净的一批推理样本做冷启动，得到既聪明又好读的 R1。
一个关键发现是：R1 在 671B 参数下，靠 MoE 每次只激活约 37B，既保证了超长推理轨迹，又压住了推理成本。
测试时算力：比"堆参数"更便宜的杠杆
过去十几年，让 AI 变聪明的唯一办法是"训练时算力"——买十万张卡、苦训半年。推理模型的出现，宣告了测试时算力（Test-Time Compute）时代的到来。
核心洞察很简单：你不必只在训练时买智能，也可以在提问的那一刻、按问题难度"再买一次"。遇到人类专家要花 10 小时的难题，你大可以让模型"去思考 30 分钟"，它在推理阶段消耗海量算力，遍历一棵庞大的逻辑搜索树，给出深思熟虑的答案。
研究有个很锋利的结论：在基础模型已经"接近答案"的问题上，最优分配的测试时算力，可以击败一个参数量大 14 倍的模型（FLOPs 匹配比较）。换句话说，推理算力有时能替代参数——这也是为什么一个更小、更便宜的推理模型能在数学上打赢大得多的普通模型。
但边界也很清楚：测试时算力只能放大模型已经具备的潜力，不能凭空创造它从未拥有的能力。 在模型根本够不着的问题上，你再怎么让它"多想"也没用。
好钢用在刀刃上
推理模型不是万能的，它的代价是又慢又贵。
有实测显示，同一个模型开着推理，token 消耗能是不开推理的二十多倍——而你是按 token 付费的。早期推理模型一道题要等 30–120 秒；到 2026 年初快一点的已压到 3–15 秒，但仍远慢于标准模型的即时回复。
所以工程上的经验很直白：别用推理模型去翻译、总结、闲聊。 这些"系统 1"任务上，它们不仅慢、贵，效果往往还不如小模型。把推理算力留给编程、高等数学、复杂逻辑推演——这才是刀刃。
行业正在走向一个更优雅的形态：不再是"推理模型"和"普通模型"两个物种，而是同一个模型按问题自行决定想多深。需要快答就秒回，遇到硬骨头就多想几分钟。当"让 AI 想多久"成了一根可以随手拨动的旋钮，我们才真正第一次拥有了"按需调节智能强度"的计算机。