AI 新技术 · 第 1 章
推理模型：2026 年为什么 o3-pro、DeepSeek V4、Qwen3.8 会"想一会儿"再回答
你有没有这种体验：问普通大模型一道数学题，它张嘴就答，还经常算错 ；换成推理模型，它先"吭哧吭哧"打一长串草稿，最后才给答案，正确率明显更高。这背后就是思维链（Chain-of-Thought） 和测试时计算（test-time compute） 这两件事——让 AI 从"凭直觉抢答"变成"打草稿、一步步推"。
⓪ 本章怎么学（约 40 分钟）
1 直觉对比（8 分钟）
2 概念表（10 分钟）
3 看例子+防坑（12 分钟）
4 自测+复述（10 分钟）
本章小目标 学完你要能：说清慢思考好在哪、为什么 test-time compute 更贵、RL 怎么训出推理能力、什么时候别用推理模型。
① 一句话搞懂：快思考 vs 慢思考
心理学家卡尼曼说人有两套系统：系统 1 快思考 （凭直觉，一秒反应），系统 2 慢思考 （坐下来演算）。普通对话模型用的是系统 1，推理模型专门练的是系统 2。
对比 普通对话模型（如 GPT-5.1 Flash） 推理模型（o3-pro / DeepSeek V4-Pro） 回答方式 直接吐答案，像抢答 先内部"打草稿"，再给结论 擅长 聊天、写文案、翻译、 summarization 数学、编程、逻辑推理、复杂规划 速度/成本 快、便宜 慢、token 贵（想很久） 可看思考过程 一般直接给答案 常输出思维链（CoT）给你看
核心直觉 推理模型不是"更聪明的大脑"，而是被训练成愿意花更多算力去想 。多花的 token 就是它的"草稿纸"——草稿打得越久，难题越不容易错。
② 关键概念表
名词 大白话 思维链 CoT 把"因为→所以→下一步"一步步写出来，而不是直接跳结论 测试时计算 推理阶段多花算力（多想、多试几条路），换来更准答案 RL 强化学习 不靠人工标答案，而是奖励"做对了"的推理路径，让模型自己学会怎么想 开源代表（2026.9） DeepSeek V4-Pro（MIT）、Qwen3.8-Max（Apache 2.0，2.4T-A95B MoE）、Kimi K3；闭源：OpenAI o3-pro / GPT-6 Astra、Gemini 3 Pro Deep Think、Claude Opus 4.8
它是怎么练出来的
先用监督微调让模型"学会把思考过程写出来"，再用强化学习（RL） 奖励那些最终答案正确的长推理链——做对了就奖励、做错了或中途跑偏就惩罚。于是模型自己摸索出：遇到难题要多分支试、要回头检查。DeepSeek R1 是开山之作，2026 年的 V4-Pro（2026.8.13） 与 Qwen3.8-Max 把这条路推到了 2.4T 参数、Agent 能力第一梯队，证明开源也能打闭源旗舰。
SFT 学格式
RL 奖对的
采样 多试路
验证 回头查
slow vs fast 一句话 fast（普通模型）= 系统 1，凭直觉抢答；slow（推理模型）= 系统 2，坐下来慢慢推。二者不是替代，而是按题选用 。
③ 三个例子
例 1 · 一道鸡兔同笼（CoT 怎么写）
问：鸡兔同笼，头 35 个、脚 94 只，鸡兔各几只？
快思考： 直接猜"鸡 20 兔 15"，错。慢思考（CoT）： 假设全是鸡 → 应有 70 只脚，实际 94，多了 24 只；每把一只鸡换成兔多 2 只脚 → 兔 = 24/2 = 12 只，鸡 = 35-12 = 23 只。验证： 23×2+12×4 = 46+48 = 94 ✓
例 2 · test-time compute 调多大
同一道题，给推理模型不同"思考预算"。
预算小（想 1 秒）：可能仍出错；预算大（想 30 秒、多分支搜索）：正确率从 60% 涨到 90%。这就是用算力换准确率 ——贵，但难题值。
例 3 · 一个编程 bug
普通模型说"代码没问题"；推理模型自己在脑子里跑一遍逻辑，发现：边界条件 i < n 应为 i <= n，并解释为什么会越界。
它不是背答案，而是在内部模拟执行了一遍代码 ，才抓到隐藏 bug。
④ 防坑提醒
坑 1：以为所有问题都该用推理模型 写邮件、翻译、聊天气这种简单活，用普通模型又快又省；推理模型是杀鸡用牛刀，还慢还贵。难题才上慢思考。
坑 2：以为思维链写得长就一定对 CoT 也会"一本正经地错"——中间一步错了，后面全跟着错。长思考不等于可靠，关键步骤仍要核对。
坑 3：把"看不见的思考"当成它有意识 o1/o3 的内部推理过程对用户是封闭的，那是工程上的搜索与试算，不是人类那种主观意识。别拟人化。
⑤ 折叠自测（点开即答）
基础1 推理模型和普通对话模型最大的区别是什么？
解析 普通模型直接答 （快思考），推理模型先内部打草稿、一步步推理 再答（慢思考），所以在数学、逻辑、编程难题上明显更强，但更慢更贵。
中档2 "测试时计算（test-time compute）"是什么意思？
解析 指在推理阶段（不是训练阶段）多花算力 ——多想几轮、多试几条分支、多检查，用更高的 token 消耗换取更高的正确率。
拔高3 为什么说 RL（强化学习）能训出"会推理"的能力？
解析 不直接标"标准答案长这样"，而是奖励最终做对的推理链 。模型在大量试错中自己摸索出：该分步、该验证、该回头。DeepSeek R1 就是靠这条路，开源复现了推理能力。
⑥ 费曼三问（合上讲，自己讲给自己听）
用大白话回答，讲不顺就是没懂
问 1： 为什么推理模型答数学题更准？它多做了哪一步？
问 2： "用算力换准确率"具体换的是什么？贵在哪？
问 3： 日常聊天该不该默认开推理模型？为什么？
快思考 vs 慢思考： 直觉抢答 / 打草稿一步步推 系统1 vs 系统2
CoT 思维链： 把因为所以一步步写出来 不跳结论
测试时计算： 推理阶段多花 token 换正确率 贵但准
训练方式： SFT 学格式 + RL 奖励做对的推理 2026 代表：DeepSeek V4-Pro、Qwen3.8-Max
选用原则： 难题上慢思考，简单活别用 省成本
📖 名词速查
名词 大白话 o3-pro / GPT-6 Astra OpenAI 2026 旗舰：o3-pro Agent 能力第一，GPT-6 Astra 最新闭源 DeepSeek V4-Pro / V4.1 Flash 2026.8 开源推理旗舰：V4-Pro 对标 Qwen3.8-Max，V4.1 Flash MIT 协议 $0.30/$1.20 Qwen3.8-Max / Flash 阿里 2.4T-A95B MoE；Flash 编码追平 V4-Pro 但价格 1/4（2026.8.26） Gemini 3 Pro Deep Think Google 多模态推理 95 分第一；Gemini 3.8 Flash 廉价推理（2026.9.2） Claude 4.5 Sonnet / Opus 4.8 Anthropic，带 thinking 开关模式 Kimi K3 / LongCat-2.5 Kimi 2.8T hybrid KDA+MLA；美团 LongCat-2.5 原生 1M 上下文 CoT 思维链 把推理一步步写出来，不跳结论 test-time compute 推理阶段多花算力换准确率 RL 强化学习 奖励做对的推理链，训出"会想"
🛠 实战场景：什么时候该开"慢思考"
任务 用哪个 原因 写一封请假邮件 普通模型 简单，快又省 解奥数/高考压轴题 推理模型 需要多步推导 写一个复杂 SQL 并验证 推理模型 容易错，要打草稿 闲聊、翻译、润色 普通模型 直觉活，无需慢想 调试一段棘手代码 推理模型 要逐步模拟执行
经验法则：需要"一步步推导、容易一步错满盘输"的，开慢思考；剩下的，普通模型又快又省。
🧪 生活联想
1 开车
2 算账
3 写代码
对照自己 遇到难题先别急着让模型"马上答"，给它一句"请一步步思考"，往往准确率立刻上去。
⚡ 高频 FAQ
问：推理模型是不是一定比普通模型好？ 不是。它只是更会做"需要多步推导"的难题；简单聊天它又慢又贵，普通模型更好用。
问：它思考的过程我能看到吗？ 有些开源/开放模型（DeepSeek V4、Qwen3.8）支持"思考模式开关"，能把思维链打出来给你看；闭源旗舰（o3-pro、GPT-6 Astra）的内部推理过程对用户是封闭的，只给你最终答案。
问：为什么它更贵？ 因为它在"思考"时生成了大量内部 token，这些都算钱。想越久越贵。
🔁 5 天复习计划
天 任务 自检 第 1 天 读①②，理清快慢思考与概念表 说清 CoT 是什么 第 2 天 读③④，跟一遍三个例子 讲清 test-time compute 第 3 天 做⑤折叠自测 三题全对 第 4 天 读⑥费曼三问，不看资料讲 能举例 第 5 天 名词速查 + 口诀默写 脱稿说清 RL 怎么训
三句口诀 ① 慢思考先打草稿再给答案；② test-time 用算力换准确率；③ 难题才上推理模型，简单活别用。
📌 知识链路
前置知识 先懂普通大语言模型是怎么对话、怎么生成文字的，再看"多想一步"带来的差别。
本节位置 AI 新技术线的第 1 站：模型变"会想"，后面多模态、长上下文都是在给它加感官和记忆。
下一步 接着看原生多模态，理解它怎么从"认字"走到"看图听音"。