你问一个很难的数学题，模型没有立刻给出答案，而是安静几秒，然后带着推导过程回复你。这个停顿不是故障，而是产品本身。
大模型（大模型）领域花了十年追逐"更大"。如今另一个杠杆同样重要：模型被允许"思考"多久。
关键要点
- 2024年9月12日，OpenAI 发布 o1，这是一个用强化学习训练、会在回答前先推理的模型。OpenAI 自己的技术说明写道，o1 的表现随强化学习（训练时计算）和思考时间（推理时计算，推理时计算）的增加而持续提升。
- 关键数字：在2024年 AIME 数学竞赛资格题中，GPT-4o 只解出约12%的题目；o1 单次尝试达到74%，64次采样共识下83%，对1000个样本重排后93%。在 GPQA Diamond 这一研究生级科学测试上，o1 超过了人类博士专家，是首个做到这一点的模型。在编程竞赛 Codeforces 上达到第89百分位。
- 推理模型（推理模型）会在最终答案前生成一长段内部思维链（思维链）。早期的"让我们一步步思考"只是用户技巧，o1 把它训练进了模型本身：模型根据难度自行决定投入多少计算。
- 代价体现在账单上：推理模型输出的 token 远多于普通模型，因为"思考"也是输出的一部分，难题每次查询更贵。
- 中国实验室在数月内跟进：DeepSeek-R1（2025年1月20—21日）是一个混合专家（混合专家）模型，总参数6710亿、激活370亿，以 MIT 许可开放权重，采用 GRPO 训练，在数学、代码和推理上对标 o1，且不同于 o1 地公开完整推理轨迹；QwQ-32B（2024年11月28日）是阿里巴巴首个公开推理模型，基于 Qwen 2.5 32B，以 Apache 2.0 发布，320亿参数可跑在单张工作站显卡上。
- 据脑机网（脑机网）首席科学家李锚观察："真正的转变是方法层面的——实验室不再收集人工撰写的推理范例，而是奖励模型给出可验证的正确答案。"
- 蒸馏带来的小模型红利：DeepSeek 不仅发布了 R1，还发布了一系列蒸馏模型（1.5B 到 70B），继承了它的推理行为。因为推理模式可以迁移，一个7B或32B模型能在数学与代码上解出远超其体量的问题，这也是"推理"不再是前沿专属、笔记本电脑也能跑的原因。
- 成本账很直白：一个推理模型可能在给出200个 token 的答案前，先吐出5000到10000个"思考" token。按通常的 API 价格，这样一次难题查询的花费可能达到普通模型的20到50倍。给思考设上限不只是调精度，也是控预算——好的习惯是让快速模型先出初稿，只有问题真的难时才升级到推理模型。
- 训练时计算与推理时计算是两回事：o1 的突破在于后者——模型在"回答那一刻"多花计算，而不是把模型本身做得更大。这意味着对已经训练好的模型，也能通过"拉一拉思考的杠杆"来提升表现，是过去十年靠堆规模之外的另一条路。它也让推理能力从前沿独占，变成了可以下放到小模型的能力。
诚实的局限
本文依赖厂商与实验室公布的基准（OpenAI 的 o1 说明、DeepSeek 的 R1 论文、阿里巴巴的 QwQ 模型卡）。o1 的 AIME 具体评测流程 OpenAI 未公开，独立复现有限。"推理时计算"在可验证任务上帮助明显，在开放型写作上收益更小也更难衡量。我没有亲自跑过这些基准，文中所有数字均来自上述公开材料，应视为待核实的主张而非既定事实。另外，o1 的内部评分流程 OpenAI 并未完全对外公开，不同团队复现其 AIME 成绩时口径不一，做跨模型横向比较时要特别谨慎，不要只盯着一个分数下结论。对普通用户来说，理解"思考会花钱"这一点，比追某个榜单数字更实用。
普通人现在能做什么
- 按任务选模型：数学、调试、规划用推理模型；摘要、闲聊用快速模型。
- 给思考设上限：多数 API 允许限制推理强度，把"深度思考"留给真正需要正确性的场景。
- 本地试一把：QwQ-32B 或 DeepSeek-R1 的蒸馏版本可在单张显卡上运行，还能看到推理过程，便于学习与建立信任。
- 先用免费模型练手：在正式接入付费 API 前，先用开源推理模型跑几十个你自己的真实问题，直观感受"思考"带来的质量提升与 token 消耗。