过去几年，我们对大语言模型的评价标准几乎只有一个：快。输入问题，越快吐出答案越好。但最近一年，风向变了——一批被称为「推理模型」的新模型开始反其道而行之，它们不急着回答，而是先「想一会儿」。

这种「慢思考」的标志性动作，是模型在给出最终答案之前，先生成一段长长的中间推理过程。它会把问题拆解、尝试不同的思路、自我纠错，然后再收敛到一个答案。OpenAI 的 o 系列、DeepSeek 的 R1，都是这条路线上的代表。

为什么「想」比「快」更重要

因为很多问题，尤其是数学、编程、逻辑推理这类有明确对错的问题，靠「第一反应」是答不对的。人类做题时需要打草稿，模型也一样。

过去，模型把「草稿」和「答案」混在一起一口气生成。现在把它们分开：先打草稿，再写答案。仅仅这个变化，就让模型在不少硬核任务上的准确率大幅提升。

算力从「训练」挪到了「推理」

这背后有一个重要的概念：测试时计算。以前提升模型能力，主要靠训练阶段投入更多算力；现在，我们把一部分算力挪到「回答问题的那一刻」，让模型在推理时也花力气去思考。

这意味着，能力的提升不再完全依赖更大的训练规模。一条新的路径出现了：模型规模可以不大，但多给它一些思考时间，它也能解出更难的题。

这也改变了我们的使用方式

对于普通用户，推理模型的体验是复杂的。简单的问题，它的「思考」显得啰嗦；难的问题，它的「思考」又确实有用。学会判断什么时候该让模型慢慢想、什么时候该让它直接答，正在成为新的使用技巧。

更值得留意的是，「思考过程」本身变得可见、可读。这让模型的推理不再是一个黑箱，也带来新的问题：我们该如何看待这些中间过程？它们是真实的思考，还是一种流畅的表演？这些问题，暂时还没有答案。

可以肯定的是，「慢思考」不会是一阵风。它改变了模型能力的上限，也悄悄改变了我们对「智能」这件事的想象。