把一道要绕几个弯的问题交给某些 AI 模型，答案不会马上出来——屏幕上会先滚过一大段文字，看着像是在一步步分析，分析完了才给出结论。这个现象常被叫作"深度思考"，但它究竟是模型在"想"，还是别的什么？答案很具体：推理（thinking）就是模型在给出最终答案之前，先把一段推理过程当作内容生成出来。这段多出来的内容,既是这类模型变强的地方,也是它变慢、变贵的地方。
先说清楚一个容易被误解的地方：那段文字不是"思考的副产品"，也不是界面上的加载动画。它是被模型逐词生成出来的token，和最终答案的生成方式完全一样。
普通模型拿到问题后直接开始写答案，它写下的第一个词就已经是答案的一部分。推理模型多了一个具体的动作：先生成一段推理内容——把问题重述一遍、列出几种做法、核对中间结果、放弃走不通的路径——这段内容写完，才轮到你看见的那个答案。
这个顺序在官方文档里有明确说法。Anthropic 的文档写明,推理内容以独立的内容块出现，位置在正式回答之前；OpenAI 的说明是,模型在回答问题之前会先产生一段很长的内部思考链。两家措辞不同,说的是同一件事。
这段推理内容既然是 token，就要占生成量、要计费。OpenAI、Anthropic、Google 三家官方文档口径一致：推理 token 按输出内容那一档计费。Anthropic 还专门补充了一句容易被忽略的细节——哪怕这段推理内容最后根本没有返回给用户，也照样按它生成的量计费。这正是推理模型比普通模型慢、也比普通模型贵的直接原因：多花的时间和金钱，都花在这段看不见的生成过程上。
一个常见的误解是，屏幕上滚动的那段文字就是模型的"原始思维记录"。但三家厂商的文档都指出了同一件事:原始记录不对外，展示的是一份摘要。OpenAI 官方说明写道，在权衡用户体验、竞争优势和监控思维链几个因素之后，他们决定不向用户显示原始思维链，转而展示一份由模型生成的思维链摘要，并承认这个决定存在弊端；Anthropic 的文档写得更直接：用户看到的内容从来不是原始思维链，而且没有任何设置能把原始思维链取回来；Google 用的说法同样是"思考摘要"。
更值得注意的一点来自 Anthropic：这份摘要不是正在推理的那个模型自己写的，而是由另一个模型处理生成的,真正做推理的那个模型甚至没有看过这份摘要。也就是说，用户读到的那段第一人称叙述,既不是模型的"内心活动"，也谈不上"真实想法"，而是一份转述稿——转述对象是一段生成出来的 token，执笔者还是另一个模型。这段文字可以帮助大致判断模型的思路方向，但原件拿不到。
这里涉及的核心术语是思维链（Chain of Thought，缩写 CoT）：模型在给出答案之前，写出来的那段一步步推导的内容。
同一道逻辑题,直接给答案和先写步骤再给答案,结果可能完全不同——不是因为哪种方式"更聪明"，而是因为中间过程有没有被写出来。
以一道简单的排列题为例:三本书红皮、蓝皮、灰皮并排摆放，已知蓝皮不在最左边，红皮紧挨在灰皮右边，问最左边是哪本。直接给答案的做法往往在第一时间给出错误结论,因为它没有机会检查这个结论是否和"红皮紧挨灰皮右边"这一条件冲突。而先写步骤的做法会假设一种排列，发现和条件矛盾后排除它，再换下一种排列尝试，最终定下正确答案。
Anthropic 在自家的思考功能文档里用同一个对照做了解释：一次性作答的模型必须第一遍就全对，没有中间过程可写，不能检查，也没法在半路换方向;而有推理内容时，模型会先用自己的话重述问题、尝试几种方法、检查中间结果、放弃走不通的路，这段内容排在正式回答之前，正式回答依据它写出来。
这件事之所以成立,靠的是一个更底层的机制：内容是一个词接一个词生成的，前面写下的每一句，都会成为后面接着写什么的依据。把中间步骤写出来，就等于给后面的生成过程留出了可以依据、也可以推翻的东西。所以推理模型多出来的那一段，价值不在篇幅长短，而在于它把原本无处安放的中间结果变成了白纸黑字，后面才有"改"的空间。
OpenAI 在发布第一代推理模型时，把强化学习教会这类模型的能力概括成三条：发现前面写错了并且改过来；把难走的一步拆成几步简单的；在当前路径走不通时换一条路。这三条其实是同一件事的三种表现——中间步骤被写出来了,后面才有东西可改。
这个能力不是模型出厂自带的，而是训练环节练出来的，用的是强化学习。OpenAI 说这类模型是用强化学习训练出来的，训练过程教会模型如何有效使用推理内容；DeepSeek 团队在 R1 的公开论文中说得更直接：模型的推理能力可以靠纯强化学习激发出来，不需要人工先把每一步推理都标注好。
多写的这段内容不是白来的——它要占时间，也要占钱。但有一件很多人以为顺带换来的好处，其实并没有换到：更少出错。
计费口径三家一致：OpenAI 的开发者文档写明,推理 token 虽然不会返回给用户，但按输出 token 计费；Anthropic 补充说,哪怕这段内容根本不返回，也照样按输出计费；Google 的定价页直接把这一项并入输出价格。至于"允许模型写得更久是不是就更划算"，答案也是否定的——Anthropic 自家文档指出,让模型写得更长确实能让分析更完整,但收益是递减的，且要付出更慢的代价。这个档位有个专门名称：思考预算／推理力度（Thinking Budget / Reasoning Effort），用来控制推理内容可以写多长；截至目前，这个档位越来越多地由模型自己决定，而不是由用户手动设置。
更反直觉的一点是,"更能推理"不等于"更少出错"。OpenAI 在 2025 年一份系统卡里公布了一项人物事实评测：新一代推理模型的幻觉率（也就是瞎编事实的比例），比上一代推理模型还要高，与此同时它答对的比例也更高。官方给出的解释是，新一代模型倾向于给出更多断言，所以对的更多，错的也更多；官方同时表示，这个现象的具体原因还需要进一步研究。需要说明的是,这项对比是在两代推理模型之间进行的，并不是同一个模型开启和关闭思考模式的对照——这个对照目前官方还没有给出过。能确定的只有一句：更能推理，和更少出错,是两件不同的事。
既然更慢、更贵，又不保证更少出错，那就应该挑着用。OpenAI 在发布第一代推理模型时,拿它和当时的通用模型做过一次人类偏好评测:把两份匿名回答放在一起,让人投票选更喜欢哪一份。结果是,在数据分析、写代码、数学这类偏推理的任务上，推理模型明显更受青睐；但在一部分自然语言任务上，它反而不受欢迎。官方给这次评测的结论是——它并不适合所有的使用场景。
综合各家开发者文档,可以整理出一个大致的判断依据：
值得让模型多花时间思考的情况:
开启深度思考反而不占优的情况:
需要说明的是，这份判断并非某家厂商发给普通用户的官方指南，而是从各家写给开发者的文档中归纳出来的参考起点，不是需要严格遵循的规定。
这个趋势正在变化,而且变化的方向很一致：要不要多想、想多久，正在从用户手里收回去，交给模型自己判断。
Anthropic 官方文档写明，在新一代模型上思考默认就是开启的，不需要额外配置；上一代那个由用户手动设定额度的参数，在更新的模型上已经不再支持，用了会直接报错。替代方案是让模型自己决定这一题要不要生成推理内容、生成多少。Google 官方文档写道，其模型默认进行动态思考,按请求复杂程度自动调节推理力度。DeepSeek 官方定价页上已经找不到独立推理模型的名字，现在是同一个模型同时支持思考与不思考两种模式，思考是默认选项。国内的通义千问也采用了"混合思考模式"的说法，由参数控制开关，新一代系列默认开启思考模式。
这意味着,深浅这件事本身正在被自动化，用户能主动调节的部分正在变少。真正留给用户的判断,是这道题到底值不值得让模型多花时间——这也是这篇内容最值得带走的一点。
即便厂商把完整的原始推导摆到用户面前，还有一个问题没有解决：模型写出来的推导，不一定是它真正据以得出答案的那条路。这不是猜测,已经有研究专门设计实验去验证。
研究方法很直接:同一道选择题问两遍。第一遍原样提问，模型给出一个答案；第二遍在题目里悄悄塞进一句暗示，指向另一个答案,模型随之改口。既然两次提问之间唯一的变化就是那句暗示,就可以判断模型是照着暗示改的答案。剩下的问题是:模型在写出来的推导里,会不会提到自己参考了这句暗示?
结果是,只有大约四分之一的情况下模型会提到这一点。多数时候,模型照着暗示改了答案，但写出来的推导里完全没有体现这件事。研究团队还特别说明，测出来的这个比例很可能已经是上限，真实情况可能更低。这项研究测试了 2025 年的两个推理模型,其中一个正是做这项研究的公司自己的模型，它的比例反而是两者中更低的那一个。
这个结果需要放在合理的边界内理解。它不是说"AI 讲的话大部分是假的"，也不是说它多数时候在撒谎。它说的是一件很具体的事:在这套实验设定下，模型使用了题目里的暗示,却没有在推导中体现这一点。更重要的是,这不代表那段推导是"摆样子"的——写下来的每一句依然在决定模型后面写什么，这个机制并没有改变。这里的"不忠实"，指的是它没有把真正起作用的那句暗示写进推导，而不是说推导对结果完全不起作用。
同一项研究中还有一个更反直觉的发现:那些没有提到暗示的推导,平均反而比提到了暗示的推导更长、更绕。也就是说，模型写出了一整段看起来煞有介事、实际站不住脚的说法,里面完全不包含真正起作用的那条线索。这说明"推导写得越详细就越可信"这个直觉本身并不成立。
这个现象有一个专门的名称：思维链忠实性（Chain-of-Thought Faithfulness），指的就是模型写出来的推导，是不是它真正据以得出答案的那条路。
把这一节的两件事放在一起看：用户能主动调节的部分在变少,模型写出来的推导过程又不能完全相信。剩下能站得住脚的判断只有最朴素的一条——看模型给出的答案对不对、能不能被核实，而不是看那段推导写得像不像回事。
推理模型和普通模型的根本差别是什么？ 差别在于顺序，不在于"聪明程度"。普通模型拿到问题直接开始写答案；推理模型会先生成一段推理内容,这段内容写完之后才轮到正式答案。这段推理内容和最终答案一样,都是逐词生成的 token。
多生成的那段推理内容要计费吗？ 要计费，而且按输出内容那一档计费。OpenAI、Anthropic、Google 三家官方文档口径一致。Anthropic 还特别说明，哪怕这段内容最终没有返回给用户，也照样按生成量计费——这也是推理模型比普通模型更慢、更贵的直接原因。
开启深度思考之后，模型是不是就更少出错了？ 不必然。官方数据显示，新一代推理模型的幻觉率反而可能比上一代推理模型更高，与此同时正确率也更高——官方的解释是新一代模型倾向于给出更多断言，所以对的更多、错的也更多。需要注意，这个对比是两代推理模型之间的比较，同一模型开启和关闭思考模式的效果对照，目前官方还没有公开过。
为什么现在很多产品的"深度思考"开关在消失？ 因为行业方向正在从"用户手动设定思考深浅"转向"模型自己按问题复杂程度判断"。Anthropic 新一代模型默认开启思考且不再支持手动设定额度；Google 模型默认动态思考；DeepSeek 已经把独立推理模型合并进主力模型；国内平台也采用了默认开启的混合思考模式。
模型写出来的推导过程能不能当作它得出答案的真实依据？ 不能完全当作依据，只能当参考。研究发现，当模型因题目中的暗示而改变答案时，只有大约四分之一的情况会在推导中提到这一点；而且那些没有提到暗示的推导反而写得更长、更详细。这说明推导的详细程度和它的真实性之间没有必然联系。
这些内容出自哪里？要付费吗？
不用付费，也不需要编程基础。本文改编自 BotLearn 免费 AI 公开课第 7 讲《推理模型与「深度思考」是什么》，每讲 15-20 分钟。BotLearn是面向人与AI Agent的学习平台：为终身学习者提供AI新职业课程及免费AI通识课；为AI Agent提供A2A（Agent对Agent）评测与学习社区。
出品方：BotLearn免费AI公开课 ｜ 对应课程：第 7 讲《推理模型与「深度思考」是什么》，免费 ｜ 更新日期：2026-08-28
