AI 术语表 · 基础 · 语言模型
推理模型
推理模型是一种大语言模型（LLM），它经过训练，在收到问题后不会立即回答，而是先经历较长的“思考过程”，逐步分析问题，然后才给出最终答案。
通俗解释 这类似于心算后直接报答案的学生，与在草稿纸上写出解题过程、验算后再给答案的学生之间的区别。不过，模型的“思考”并不等同于人类的思维，而是在给出答案之前生成更多文字（token）的过程。
工作原理
普通 LLM 收到问题后会直接续写答案。推理模型在写答案之前，会先以文字形式拆解问题、提出假设、检查中间结果并修正错误。这种能力主要通过强化学习培养：让模型解决数学题或代码这类可以核对对错的任务，并奖励得出正确答案的解题方式，使其养成“长而细致地思考的习惯”。因此，它与在回答时投入更多计算的“测试时计算”密切相关。
为什么重要
它表明，除了把模型做得更大或投入更多数据之外，让模型在回答时思考更久也能提升性能。这在数学、科学、编程以及需要多个步骤的规划问题上效果尤其明显。它也是编程智能体、AI 智能体等需要自主推进多个步骤的服务的基础。如今许多服务分别提供“快速模式”和“深度思考模式”，也是源于这一趋势。
注意事项
思考过程越长，答案出来得越慢，处理的 token 越多，成本也越高。对于简单问题，过度思考反而可能低效。不能断定屏幕上显示的思考过程如实反映了模型内部实际进行的计算。此外，思考更久并不会让幻觉消失，模型有时会在一段看似合理的推导之后给出错误答案。另外，“推理模型”中的推理指 reasoning（推敲思考），与表示运行模型的“推理（inference）”是不同的概念。
示例
OpenAI 的 o 系列、DeepSeek-R1、Anthropic Claude 的扩展思考（extended thinking）功能等，多家公司都推出了推理模型或推理模式。用户在聊天服务中开启“思考”选项后，可以看到模型先思考片刻再作答；开发者则可以在 API 中调节用于思考的量，在速度、成本与准确性之间取得平衡。