一个学生把一道奥数几何题同时贴进两个对话框。第一个两秒就答，答错了。第二个花了三十秒"自言自语"地想——列已知条件、画计划、中途发现自己错了再改——最后答对了。
第二个框，就是推理模型。它不像普通模型那样顺着最像的下一个词往外吐，而是在回复前，花算力走一条看得见的思想链。这种方式在2024和2025年重塑了整个领域，而基准分数的差距相当刺眼。
o1带来的改变
2024年9月，OpenAI推出o1，一个用强化学习训练、会在回答前先推理的大模型。机制是一条很长的内部思维链：模型做计划、试策略、检查自己的工作。OpenAI把核心洞见叫做"测试时计算"——就像模型训练越久越好，允许它在回答时"想"得越久，也会越好。
数字最有说服力。在2024年AIME（美国数学奥赛资格考）上，OpenAI披露GPT-4o只解出约12%的题目（15题里1.8题），而o1单次尝试拿到74%，在汇总64个样本后达到83%。这就是"瞎猜的模型"和"会解题的模型"之间的距离。
DeepSeek-R1把它打开了
2025年1月，DeepSeek发布R1，采用MIT许可、开放权重，并称其在数学、代码和自然语言推理上的表现追平OpenAI的o1。关键的是，R1可以下载、可以自己部署，而不只是一个接口。DeepSeek还把R1蒸馏成六个更小的开放模型；据其报告，32B和70B版本在若干任务上达到了与o1-mini相当的水平。
通过接口，R1的定价远低于前沿闭源模型——发布时约每百万输入token 0.55美元（缓存未命中）、每百万输出token 2.19美元——尽管开放权重意味着团队可以彻底跳过接口、在本地跑。
对普通人而言，这套东西今天已经不是实验室玩具。主流聊天工具里点一下"深度思考"或"推理"开关，背后就是同类机制；很多免费额度也够日常解题用。关键是别把它当万能开关：该用快模型的地方用快模型，遇到真要算的硬骨头，再把"会想"的那位请出来。
多出来的一个旋钮
在推理模型之前，提升质量的主杠杆是训练：砸更多数据、更多算力，发布更大的模型。o1说明还有第二个旋钮——测试时计算。让模型在回答时想得更久，能不重训就抬升难题上的表现。这重新框定了竞争：实验室现在不只比模型大小，还比模型多高效地花它的思考预算，以及把多少推理过程展示给用户。
为什么"想"更贵
推理模型把token花在过程上，而不只是答案上。一条回复可能在最后一行之前，藏着数千个隐性的推理token。这带来两个后果。其一，延迟：回答从秒级变成分钟级，而非瞬间。其二，成本：每个推理token都要付费，所以一道难题真的比一句寒暄更贵。
回报面窄但值钱。在数学、竞技编程、科学推理和多步逻辑上，推理模型稳定地赢过非推理对手。在闲聊、翻译或简单检索上，多出来的"思考"多半只添延迟、不改善结果。
落到日常，这意味着你得学会"挑活儿"。让孩子用它检查一道几何题、让程序员用它排查一段报错、让上班族用它拆解一个跨部门的排期，它往往比普通模型靠谱得多；但拿它来写句"今天天气不错"的回复，就是杀鸡用牛刀，又慢又贵。一个实用的小窍门是：把难题拆成步骤再问，并明确要求它"一步步来"，往往能逼出更稳的答案。
普通人现在能做什么
1. 专门在数理化、写代码、逻辑谜题和多步规划时去用推理模型——并准备好等上几秒。
2. 闲聊、摘要、翻译留給快速的非推理模型，那里延迟换不来多少东西。
3. 结果重要时，让模型把步骤摊开，并自己核对最终答案，而不是轻信"会思考"这个标签。
诚实的局限
推理不是全知。这些模型仍会幻觉、仍会在长链里犯算术错、仍会栽在细心人类能解出的题上。思维链常因安全或成本被隐藏，于是用户可能看不到自己被要求信任的那段推理。延迟和价格，让推理模型不适合做高流量、低利害的默认选择。而且"先想后答"只描述计算模式，并不保证模型诚实或安全。