为什么「想一想再回答」能让 AI 变聪明？
阅读时间约 10 分钟诺贝尔经济学奖得主 Daniel Kahneman 在《思考，快与慢》中提出了著名的双系统理论：人类的思维分为系统 1（快速、直觉）和系统 2（缓慢、审慎）。这个类比完美地解释了普通 LLM 和推理模型的区别。
系统 1（标准 LLM）：看到问题就立即输出答案。它依赖模式匹配——训练中见过无数次类似的问题，所以能迅速"脱口而出"。问 "2+2=？"，它瞬间回答 "4"。
系统 2（推理模型）：在回答之前先"想一想"。它会生成一连串的思考 Token，把复杂问题拆解成小步骤，逐步推导出答案。遇到"证明勾股定理"，它会一步步写出推理过程。
点击卡片，观察两种模型面对同一问题的不同反应：
普通 LLM 像抢答，推理模型像深思——抢答赢速度，深思赢准确率。
2022 年，Google 研究员发现了一个惊人的现象：只要在 Prompt 中加入 "Let's think step by step"，大语言模型在数学和逻辑推理任务上的准确率就会大幅提升。这就是 Chain-of-Thought（CoT，思维链）。
不使用思维链时，模型直接给出答案——往往容易出错：
Q: 17 x 24 = ? A: __(可能给出错误答案)
使用思维链后，模型"展示解题过程"，准确率显著提升：
Q: 17 x 24 = ? Let me think: 17x20=340, 17x4=68, 340+68=408 ✓
更进一步，o1、R1、QwQ 等推理模型在训练过程中就学会了自动生成思维链。它们会产出数百甚至数千个思考 Token，然后才给出最终答案——这就是 Extended Thinking（扩展思考）。
思维链就像考试要求「写出解题过程」——过程对了，答案自然对。
从 2024 年起，各大 AI 实验室纷纷推出自己的推理模型，开启了一场全新的竞赛：
OpenAI o1/o3：率先提出"test-time compute scaling"概念——模型在推理阶段投入更多计算，思考越久答案越好。o1 在数学竞赛和编程任务上表现惊艳。
DeepSeek R1：开源推理模型，从 671B 的混合专家模型（MoE）蒸馏出 1.5B 到 70B 的多种尺寸。证明了小模型也能拥有强大的推理能力。
Qwen QwQ：阿里巴巴的推理模型，展示了中文环境下的强大推理表现。
这些模型的核心发现是一致的：学会在更难的问题上分配更多计算资源。
能力分数越高，条越长（基于公开 Benchmark 归一化，满分 100）：
| 模型 | 厂商 | 数学 | 编程 | 推理 |
|---|---|---|---|---|
| o3 | OpenAI | |||
| o1 | OpenAI | |||
| DeepSeek R1 | DeepSeek | |||
| QwQ-32B | Alibaba | |||
| R1-Distill-7B | DeepSeek |
推理模型就像考生学会了「难题多花时间」——不是更聪明，而是更会分配精力。
传统的 AI 变强路径是 Training-time Compute（训练时算力）：用更多数据、更大模型、更长时间来训练。OpenAI 的 Scaling Law 就是这条路线的理论基础。
但推理模型开辟了第二条路径：Test-time Compute（推理时算力）。同一个模型，在面对更难的问题时思考更久，生成更多思考 Token，从而提高准确率。
这带来了一个重要的 权衡：推理模型更慢，消耗更多 Token（思考 Token 也要计费）。但对于复杂任务，准确率的提升远超额外的成本。关键在于——收益递减：思考太久，提升会越来越小。
拖动滑块调整"思考预算"（允许生成的思考 Token 数量），观察准确率变化：
Test-time compute 就像「开卷考试给更多时间」——同样的知识，多想一会儿就能做对更难的题。
面对复杂问题，逐步推理比直觉回答更可靠。推理模型用"系统2思维"攻克难题。
让模型"写出解题过程"，准确率在数学、逻辑、编程任务上显著提升。
Test-time compute 是一种全新的 Scaling 维度：同一模型思考越久，表现越好。
DeepSeek R1 证明，大模型的推理能力可以蒸馏到 7B 甚至 1.5B 的小模型中。
推理模型的本质启示：AI 变强不只靠更大的模型，也靠更深的思考。