推理时计算：多想一会儿就更准吗

部分模型允许在回答前投入更多“思考”计算。它买到的是时间和质量的可能性，不是事实和附件——这是推理模型时代最容易混淆的边界。

本课回答的业务问题：“推理模型”“深度思考模式”多花的钱和时间，买到了什么、没买到什么？复杂任务该不该默认开最高档？

前置课程：第 3 课（预训练与后训练）。

读完本课你将能够：

1. 说清推理时计算与训练改参数的区别，拆穿“把思考强度调高等于再训练”这类混淆；
2. 判断一类任务适合低档还是高档——按任务的推理链长度与约束核对需求分流，而不是按感觉全开最高档；
3. 设计一次“同一任务、两种档位”的对比实验，用成功率、延迟、每成功任务成本三个数做决策；
4. 记住推理档位买不到的三样东西：缺失的事实与附件、确定性计算的正确性、时效。

一句话定义

推理时计算指模型在一次任务中投入的推理计算量；部分模型允许调节（如思考档位），它可能提高复杂问题的质量，同时增加等待时间与费用。它与训练改参数是两回事。

这段定义每个术语都容易被讲混，逐个拆开。

“一次任务中投入”——这笔计算发生在回答这一次请求的过程里，用完即弃：这次多想了一会儿，下次并不会更聪明。能沉淀的只有训练改的权重（见第 1 阶段第 3 课）。

“推理计算量”与“思考档位”——部分产品允许发起任务时指定投入多少“思考”，叫法不一（“深度思考”“推理模式”等；名称与计价随版本变化，以当时文档为准）。投入更多的直观表现，是模型在给出最终答案前先展开一段较长的内部推演，再收口成答案；推演消耗算力和时间，也按用量计费——“档位越高、越慢越贵”由此而来。

为什么升档更贵，值得说透：那段内部推演本身也是逐 token 生成的，计入输出计费，而输出 token 的单价通常高于输入（口径随平台与版本变化，以当时文档为准）。所以升档贵在两处——推演更长，且长的部分单价更高。材料很长、结论很短的任务里，这个差异尤其明显：你以为买的是一句话的结论，账单上是一整页“草稿”。

“可能提高……同时增加”——因果不对称：质量提升是“可能”，要实测才知道；时间和费用的增加是“确定”，账单上看得见。买到的是质量的可能性，付出的是确定的等待与成本——本课所有决策口径都由此出发。

生活化类比（建筑行业版）

一位完成培训的造价工程师接到复杂结算争议（虚构示例）：多给时间，他可以交叉核对更多签证单、做更多方量复核——质量可能提高。但签证单原件缺失时，给他一周也编不出真实工程量；混凝土方量这种确定性计算，他多“沉思”反而不如直接按图计算。

类比成立在哪：第一，“时间换质量”对“材料齐全、需要多步交叉核对”的活确实成立——争议梳理这类任务，多核一轮就少漏一处；第二，“原件缺失编不出”对应推理买不到事实——推演是对已有材料的加工，不是材料的生产；第三，“方量直接按图算”对应确定性计算交给程序——工程上没人靠“沉思”算方量。

类比失效在哪：第一，工程师多想几次会沉淀经验，下次同类争议直接上手；模型的推理计算不沉淀——第四十七份签证想完，第四十八份照样从头想起，因为权重没变；第二，工程师想到一半会主动说“这个资料我缺”，模型可能推演了很长却不报告前提缺失，甚至顺手把缺的数补成“看起来合理”的数（那是下一课的幻觉）；第三，工程师的思考过程事后可复盘，模型展示的“思考过程”不能当审计底稿（见第 3 节）。

本质与能力边界

1. 买到什么：多步推理与约束核对类任务“可能”受益

有一类任务的成功取决于把多个条件串起来核：结论要对照条款、签认链、时间节点几条线，同时满足多个约束，错一步全错。低档下模型容易“一口气给答案”——中间步骤没展开，某步看漏，整个结论跟着偏。更多推理计算给模型留出“打草稿”的空间：先拆条件、逐条核对，再收口成答案；草稿越长，单步疏漏被后续步骤纠正的机会越多——这就是“多想一会儿可能更准”的机制。

但“可能”不是客套话：受益取决于任务的推理密度——单步能完成的活（抽字段、判类别），草稿再长也变不出新信息；且结论必须落在自己的任务上实测——同一模型，争议梳理升档受益，台账抽取可能毫无差别。怎么实测，见实战演练。

同一份结算材料里就有现成对照（虚构示例）：“从 47 份签证里抽出单号、金额、签字人”是单步活，低档足够；“这 9 份争议签证的签认链是否符合合同变更条款、缺口在哪”要串起条款、时间、签认三条线——后者才是升档候选。判据一句话：需要“对着多条线索交叉核对”的任务才可能受益，“照单抓取”的任务不受益。

2. 没买到什么：缺失的事实、确定性计算、时效

推理时计算是“对已有输入的加工”，这个定位决定三样东西它买不到。

买不到缺失的事实与附件。输入里没有的信息，推演一万步也生产不出来。“付款比例详见附件二”而附件未提供——这是资料问题，不是推理问题。此时升档，好的行为是模型仍标记“附件缺失、比例待补”；坏的行为是它按“常见比例”补一个数——后者就是幻觉（见第 1 阶段第 5 课）。对应的工程动作只有一个：退回补件。

买不到确定性计算的正确性。金额合计、比例换算、天数计算，模型的做派是概率续写，不是精确运算（见第 1 阶段第 1 课：字符级精确操作是它的弱项）。多想一会儿不会把概率续写变成计算器。举个具体数（虚构示例）：厂房区 C30 泵送混凝土约 12,400 m³，结算时按不同部位、不同单价分段连乘再累加——模型口算这类长链算术，错在某一位上并不罕见，而且错得毫无征兆：没有报错、没有犹豫，答案和算对了一样自信。正确分工：模型列式、程序出数、模型复述结果——谁算都一样，没必要挑不稳的那位算。想，不能代替查；算，不能代替程序。

买不到时效。档位越高等待越久、费用越高。结算会议现场等三分钟出不来结果，高档答案再准也来不及；隔夜批处理多等几分钟没人在乎——延迟预算和成本一样，是选档决策的输入。

3. 长解释不等于正确：推理输出的两重不可靠

高档模式常输出一大段“思考过程”，看起来工作极其认真，这里立两条纪律。

第一，长解释不等于正确。解释长度反映投入的计算量，不反映结论的证据质量。结论对不对，仍要核验证据：条款是否存在、数字与原文是否一致、前提是否都成立。一段冗长推演收口在一个没有原文依据的结论上，仍然是错的——而且因为过程详尽，更容易骗过复核者。

第二，展示的思考过程不是内部计算的真实记录。机制上两层原因：其一，产品界面展示的“思考”常经过摘要或改写，未必是完整的内部过程；其二，即使完整展示，那段文字也是一段生成物——“想得对”与“说得对”之间没有机制保证，训练优化的是答案对不对，不是独白忠不忠实。所以它不能当作模型内部推理过程的忠实记录，更不能当审计底稿归档。要留痕，留输入材料、输出结论、原文引用，不是那段独白。

4. 选型口径：按任务分流，三个数说话

常见的成本策略是：日常抽取、分类用低档甚至不开推理，复杂争议分析才升档。依据不是省钱美德，而是任务性质——推理密度低的任务，升档买不到质量，只买到等待和账单。

“我们这个任务算不算复杂”不能拍脑袋，要对比实验说话，口径三项：成功率——同一批任务、同一成功标准，两档各成功多少；延迟——平均等待和最慢一次，对照业务延迟预算；成本——每成功任务成本，总费用除以成功任务数（不是任务总数，失败重跑的钱要摊进去）。三个数一起看才能回答“升档值不值”。做决策时再补一条加权：把成功率差换算成错误代价。漏标一个证据缺口，谈判桌上可能让出去几万几十万；而升档多花的是每条几毛钱（见实战演练的示例数）。错误代价高的任务，成功率差几个百分点就值回价差；错误代价低、量又大的任务，同样的差值未必划算。评估的通用方法见第 3 阶段第 1 课，成本口径展开见第 3 阶段第 4 课。

5. 推理不改权重：“多想想”学不会新制度

最后把边界钉死：推理档位再高，也不改模型的权重——权重只在训练时改变（见第 1 阶段第 3 课）。想让模型用上今天新发布的《分包管理办法》（虚构示例），路径是把制度文本放进上下文或接入检索，不是把思考强度调到最高“让它想进去”。同理，这周处理了一百份签证，第一百零一份并不因此更熟练。识别“越用越懂你”话术时记住：那是上下文积累，不是模型变了。

实战演练：同一任务、两种档位的对比实验

任务背景（虚构）：青柏产业园结算阶段的争议梳理（贯穿案例 QB-JS-01）。要回答：这类任务值不值得升到最高档？不靠感觉，靠数据。

第 1 步，定样本和成功标准。从争议池取 30 个争议点，涵盖两类争议（虚构示例）。先写检查表再开跑：成功 = 双方主张列全、依据条款引对且能回查、证据缺口逐项标出，三条全满足才算成功——标准先于实验，避免事后放水。

第 2 步，单变量对照。同一批任务跑两遍：低档组（不开或最低档）与高档组（最高档）。除档位外全部固定——同一模型、同一提示词、同一套材料。变量不止一个（比如同时换了模型），数据就没法归因。

第 3 步，填费用延迟记录表。（表中数字均为示例数字、虚构，只为演示填法）

填表要点：费用按账单口径整组记，别现场心算单价（计费口径随平台和版本变化）；每成功任务成本一定除以成功数——成功率低时，“单价便宜”会被返工吃掉；错误类型要记，两档错法不同，复核策略才好定。

第 4 步，做决策。示例数据的读法：成功率 63%→87%，返工减少；每成功任务成本涨到约 2.4 倍；平均等待 3 分钟、最慢 5 分钟。这类任务量不大、错误代价高——结论：升档，但写明延迟预算 5 分钟。反过来对抽取类任务（问法 A）做同样实验，示例结果两档成功率 96% 对 97%，差别只在等待和账单——结论：低档。

读数提醒：30 个样本差 24 个百分点，方向足够清楚；如果只差两三个百分点，先别下结论——那可能只是抽样噪声，把样本扩大或把判定标准收紧再跑一轮。样本量小不可怕，可怕的是把小样本的噪声当成结论写进制度。

第 5 步，落成制度。把结论写进“任务分级表”：任务类型、档位、延迟预算、成功标准、存档位置；模型或价格变了，用同一张表重测。

建工案例：结算争议的两个问题

青柏产业园一期 EPC（虚构，合同价 3.2 亿元、工期 540 天）进入结算阶段，合约部用 AI 工具处理结算争议（QB-JS-01，虚构材料）：一类是变更签证金额争议——47 份签证中 9 份双方金额口径不一致（虚构示例）；另一类是工期延误责任争议——合同工期 540 天基础上延误 62 天的责任划分（虚构示例）。同一个争议池，两种问法：

• 问法 A（低推理档即可）：抽取全部变更签证的单号、日期、金额、签字人，列表并给出原文位置——结构化抽取，快而便宜；低档批量跑，程序汇总，人工按比例抽查；
• 问法 B（值得升档）：对照合同变更签证条款与实际签认链，梳理论证双方主张的依据与缺口，标记待补证据——多步推理，多花的时间和钱可能值得。

踩过的坑（虚构示例）：上线第一个月，团队图省事全线开最高档。月底复盘发现：抽取类任务两档成功率几乎没差别，而等待和账单明显上去——47 份签证的批量抽取等了一个下午。修复：按实战演练的方法补做对比实验，把任务分成“抽取汇总（低档）“与”争议分析（升档）“两级写进操作规程。先问任务性质，再选档位；两类任务都保留证据引用，最后都由人复核。

供应商话术拆解

话术：“我们的系统搭载推理模型，深度思考保证审查结论准确。”

逐问拆解：

1. “保证”拿什么兜底？——要验收数据：什么样本、什么口径的成功率，与不开推理的基线差多少——没有基线，分不清是档位的功劳还是模型本来就会；
2. 推理档位的延迟和费用，报价体现了吗？——高档的等待和账单是确定代价。把业务约束报给对方（分钟级还是小时级可接受、一天多少批量），看方案在真实约束下还成不成立；
3. 缺失材料、错误材料场景测过吗？——深度思考买不到事实。附件缺失、扫描件模糊、材料互相矛盾，这三类场景系统是标记待补，还是“深度思考”出一个编造的答案？
4. 留痕留的是什么？——如果方案把模型展示的“思考过程”当审查底稿归档，这本身就是风险信号（见本课第 3 节）。合格的留痕是输入材料、最终结论、原文引用三样，经得起回查。

合格回答应该长什么样：拿得出同一测试集上“开/不开推理”两组数据，成功率、延迟、成本齐全；说得出哪些任务建议不开推理——敢说“不用”的比全场景推最高档的更可信；对缺材料场景能描述系统行为（标记待补、拒绝作答）；延迟和费用增量写进报价；留痕方案存结论与证据引用，不把那段“思考独白”当底稿。

常见问答

Q1：思考档位是不是越高越好？ 不是。档位买到的是可能性，付出的是确定的等待和费用；抽取、分类用低档甚至不开，多步推理类任务再考虑升档，“算不算复杂”用实验确认，不靠猜。

Q2：“推理模型”和普通模型是两种东西吗？ 通常指经推理能力强化训练、或支持调节推理投入的模型（见概念卡片）。差别一部分在训练配方（见第 1 阶段第 3 课），一部分在产品是否开放档位调节；名称与计价随版本变。

Q3：思考强度调高，模型会不会慢慢学会我们的业务？ 不会。推理通常不改权重，推演用完即弃；产品显得“越来越熟”，是把历史对话放进了上下文——重新读档案，不是学会了。

Q4：模型输出的“思考过程”能存档当审查底稿吗？ 不建议。它不是内部计算的真实记录，只能当线索；留痕存输入材料、最终结论、原文引用——这三样经得起回查。

Q5：升档大概贵多少，有通用倍数吗？ 没有。费用取决于任务长度、推演长度和平台计价口径（各产品不同且随版本变化）；可靠办法是拿自己的任务实测（见本课实战演练）。

Q6：我们任务量小，也要做对比实验吗？ 方法不变，规模缩小：先用低档全量跑，人工挑出错误集中的复杂任务，只对这一小撮做升档试验；同任务、同材料、同提示，只改档位。

Q7：等多久算等不起？ 业务问题：会议现场支持一两分钟就是上限，隔夜批处理半小时无所谓。把每类任务的延迟预算写进任务分级表，选档时对照执行。

Q8：开最高档，是不是就不会幻觉了？ 不会。升档可能减少“疏漏型”错误——步骤展开后，漏看的条件有机会被后续步骤兜住；但幻觉是生成机制的伴生问题（见第 1 阶段第 5 课），材料里没有的东西，高档照样可能“推演”出一个看起来合理的答案，而且包装得更像深思熟虑。档位改变不了核验纪律：结论回查原文，数字回查计算。

自测

付款条件审查时发现附件缺失（付款比例“详见附件二”但附件未提供）。把思考强度调到最高能否解决？你会怎么处理？

概念卡片

延伸阅读

• 参考：OpenAI 推理最佳实践、DeepSeek-R1 研究，核验于 2026-09-16。各产品档位名称与计价随版本变化，使用时查当时文档。