推理模型是什么？Reasoning Model 详解

先用一句话抓住它

推理模型在回答之前会先“想一想”，而普通模型更像直觉反应，直接输出答案。

如果用心理学里的概念来类比，普通大语言模型更接近“系统一”思维——快速、流畅、依赖模式匹配；推理模型则更接近“系统二”——慢速、刻意、逐步检查每一步逻辑。当然，这只是个比喻，模型本质上仍然是统计模型，只是训练方式让它学会了生成中间推理步骤。

它是怎么工作的

推理模型的核心机制是链式思考（Chain of Thought，简称 CoT）。模型在生成最终答案之前，会先产生一段对用户不一定可见的“思考轨迹”，在这段轨迹里逐步分析问题、检验假设、纠正错误，最后再输出答案。

这段中间过程有时被称为扩展思考（Extended Thinking）。它消耗的 token 数量可能比最终答案多得多，也因此带来更高的成本和更长的延迟。让模型在回答时多花算力换质量，这种思路也叫测试时计算。

推理档位：2026 年最常见的调节方式

现在调用模型时，你通常不是在“推理模型”和“普通模型”之间二选一，而是在同一个模型上选档位。几个 2026 年的例子：

• Anthropic 9 月 1 日发布的 Claude Fable 5.1 把推理档位从三档扩到五档（low、medium、high、xhigh、max），并且不能完全关闭思考。
• IBM 8 月 25 日发布的开放权重模型 Granite 4.2（3B、8B、30B）每个尺寸都带“思考 / 不思考”开关，另有一个低强度模式，让简单问题少花推理 token。
• OpenAI 的 GPT-6 系列在官方对比里也按档位报成绩，例如 GPT-6 Sol 在 xhigh 档下的测试结果。

档位对费用的影响可能比换模型还大。第三方评测机构 Artificial Analysis 测试 Claude Sonnet 5.5 时，最高档位下完成它那套指数评测的平均单任务成本是 7.60 美元，高档位是 1.08 美元，相差约七倍；同时，官方称这个模型在多数工作上比上一代便宜最多 30%。两种说法并不矛盾——“省钱”和“贵”取决于你开到哪一档。

和普通模型有什么区别

普通大语言模型接到问题后，通常按 token 逐步生成回答，不会显式地“回头检查”。这种方式速度快、成本低，适合日常对话、文案写作、内容总结等任务。

推理模型的优势在于需要多步推断的任务：数学解题、代码调试、逻辑谜题、策略分析。这类任务里，哪怕中间某一步出错，后续结论都可能全部偏离。推理模型通过延长思考过程，能在更大程度上发现并纠正中途的错误。

但多想并不总是更好。对于简单问题，思考过程是浪费；对于创意写作，过度谨慎反而可能压制灵气；对于需要快速响应的应用，延迟也是问题。

什么时候该调高推理档位

适合调高档位的场景：

• 数学和科学计算：多步骤求解、公式推导、数据分析
• 复杂代码任务：调试逻辑错误、架构设计、审查代码缺陷
• 逻辑推断：需要验证前提和结论是否一致的任务
• 策略规划：需要权衡多个方案的决策类问题

适合低档位或关闭思考的场景：

• 普通问答和闲聊
• 内容摘要和改写
• 创意写作和头脑风暴
• 对响应速度有严格要求的应用

成本与速度的权衡

推理模型的费用高，主要是因为思考过程本身消耗大量 token，这些 token 通常按输出 token 计费。所以比较价格时，只看每百万 token 的单价不够，要看完成同一个任务总共花了多少 token。

实际使用时，常见的策略有两个。一是模型路由：让路由层判断任务复杂程度，简单任务发给便宜模型或低档位，确实复杂的任务才升级。二是先在低档位跑一遍自己的评估集，只在质量明显不够的任务类型上调高档位，而不是全局开到最高。

常见误解

慢一定更好？ 不是。推理模型适合逻辑密度高的任务，在简单任务上优势接近于零，反而增加等待时间和费用。

思考越长答案越准？ 不完全是。过长的思考链有时会在中途走偏。2026 年 9 月一篇 arXiv 预印本《When Agents Slow Down》用最高 1 亿 token 的单次会话测试 Agent，发现 token 换来的提升起初很快，之后边际收益递减；把同样的预算拆成多个并行会话，结果反而更好。这项研究尚未经过同行评审，但它提醒了一点：预算怎么花，和花多少同样重要。

看得到思考过程，就能知道模型在想什么？ 不一定。OpenAI 在 9 月 3 日发布的 GPT-6 Astra 系统卡里写到，这个模型的思维链可监控性比之前的模型“大幅下降”，它能在不把推理写出来的情况下解决复杂问题。展示出来的思考轨迹可以帮助理解，但不能当成模型真实计算过程的完整记录。

推理模型能替代普通模型？ 不建议全面替换。按任务选模型和档位，组合使用通常比单一选择更合理。

资料来源

• OpenAI: Learning to Reason with LLMs
• DeepSeek R1 Technical Report
• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
• Anthropic: Claude Fable 5.1 and Mythos 5.1
• IBM Research: Introducing Granite 4.2
• Artificial Analysis: Claude Sonnet 5.5
• arXiv:2609.15309 When Agents Slow Down
• Transformer: OpenAI's GPT-6 Astra might be too powerful to understand or control
• 站内资讯：Claude Sonnet 5.5 的成本口径、GPT-6 Astra 系统卡与思维链可监控性、IBM Granite 4.2