推理模型怎么调：何时多想，何时降低强度

如果一次推断错误的代价高于多等一会儿，推理模型就值得用。先从官方默认设置开始：常规任务降低推理强度，棘手决策再调高。GPT-6.1 Sol、Claude Opus 5.5 和 Gemini 4 Argon 的默认值都是 medium。

下文的参数设置已于 2026 年 10 月 31 日对照各厂商当时的在线文档核实。使用时要分清三件事：选哪个模型、让它投入多少推理工作、允许它生成多少输出。这三项需要分别决定。

什么是推理模型？

推理模型会在给出答案之前，额外生成一部分内容来推演问题。它们仍然属于大语言模型（LLM），以 token 为单位处理和生成内容；token 是文本及其他模型数据的小单元。额外的推理有助于模型比较不同方案、安排步骤，并解决步骤之间存在依赖的问题。OpenAI 推理指南将这部分内部工作称为推理 token。

可以把它想成制图师规划路线。路程简单，直接指个方向就够了；路线复杂，就需要先做些推演：检查路口、排除不通的路，再重新考虑走法。交给客户的可能仍然只是一句简短的指路说明，区别在于背后做了多少工作。

对创业者来说，改写一封客户邮件与规划一次不中断现有客户服务的数据库迁移，正好体现了这种差别。两项任务都输出文字，但后者需要在相互影响的约束条件之间持续推理。

大型推理模型：模型能力与推理强度是两回事

选择更大或能力更强的模型，与调高推理强度，是不同的选择。换模型，是换了执行任务的系统；调高强度，是让已经选定的模型为这次请求投入更多工作。无论哪种方式，都无法补上缺失的业务事实。

测试推理强度时，应固定使用同一个模型。否则，就无法判断效果改善来自模型、参数，还是两者共同作用。基础术语可参阅 AI 中的 token 是什么。

推理模型如何工作？

思考会消耗生成量，而这些内容可能始终不会出现在最终答案里。模型既可以在回答前思考，也可以在工具调用之间思考，根据工具返回的结果决定下一步行动。Anthropic 在其思考指南中将这两种方式称为前置思考和交错思考。

OpenAI、Anthropic 以及 Google 的 Gemini 4 Argon 都将思考 token 按输出计费，包括用户看不到的思考内容。

因此，答案长短并不能准确反映模型做了多少工作。一条简短建议，背后也可能经过大量推理。提高推理强度，通常意味着用更多时间和生成的 token 换取改善结果的机会；它并不对应固定的延迟或 token 数量。

输出硬上限则是另一项控制。OpenAI 的 max_output_tokens、Claude 的 max_tokens 和 Gemini 的 max_output_tokens，都同时涵盖思考和回答。OpenAI 与 Google 明确提醒：如果推理阶段就耗尽额度，响应可能无法完成，甚至没有任何可见答案。参见 OpenAI 输出限制、Claude 思考说明、Gemini token 限制。

当前 AI 推理模型对比：各家参数到底怎么设？

各家 API 的强度档位不同，关闭思考的方式也不同。请使用实际调用的接口所对应的字段名。

这张表用于比较接口兼容性，并非模型质量排名。不同模型使用同一个档位名称，也不意味着计算量相同。

OpenAI：GPT-6.1 Sol 最低只能调到 low

OpenAI GPT-6.1 Sol 的模型 ID 是 gpt-6.1-sol。在 Responses 请求中，将 reasoning 设为 {"effort":"medium"}，即可显式指定默认值。它支持的最低档位是 low，不能用 none 或 minimal 替代。工具调用需要使用 Responses API。参见 GPT-6.1 Sol 文档。

OpenAI 当前的模型目录还列出了支持推理控制的 GPT-6 Astra、GPT-6.1 Terra 和 GPT-6 Luna。Terra 与 Luna 除了 low、medium、high、xhigh 和 max，还提供 none；Astra 则从 low 起步。因此，如果必须彻底关闭推理，模型选择也可能需要调整。参见 OpenAI 模型目录。

对技术开发者来说，可以先在范围明确的代码修改上测试 low；当任务需要追踪整个系统中的交互关系时，再提高强度。要明确哪些条件必须始终成立，以及如何验证结果。OpenAI 建议给出清晰的指令和约束，而不是要求模型把思维链完整写出来。参见推理最佳实践。

GPT-6.1 Sol 配置指南介绍了相关的智能体工作流。如果是在应用中操作，可参阅单独的 ChatGPT 推理滑块指南。

Anthropic：Claude Opus 5.5 无法关闭思考

Anthropic Claude Opus 5.5 的模型 ID 是 claude-opus-5-5。省略 thinking，或发送 thinking: {"type":"adaptive"}，都会采用始终开启的自适应思考。使用 output_config: {"effort":"medium"} 即可指定默认推理强度。发送 thinking: {"type":"disabled"} 或手动配置 budget_tokens，都会返回 400 错误。参见 Opus 5.5 API 变更。

Claude 的 effort 参数影响整个响应，包括解释和工具调用，并不只是限定隐藏 token 的预算。调低该参数，既可能改变思考时长，也可能影响智能体使用工具时的细致程度。参见 Anthropic effort 文档。

当前主推的模型还包括 Claude Fable 5.1、Claude Sonnet 5.5 和 Claude Haiku 5.5，它们都支持思考，但关闭方式不同：Sonnet 在 low、medium 或 high 档位下接受 thinking: {"type":"between_tools"}，可跳过前置思考；Haiku 在这些档位下接受 disabled。不要未经核对，就把 Opus 的配置照搬到同系列其他模型。参见当前 Claude 模型和思考配置。

如果智能体需要无人值守运行，应检查降低强度后，它是否仍会完成必要的验证。Opus 5.5 智能体与编程指南进一步讨论了这项部署决策。

Google：Gemini 4 Argon 按档位控制思考，不再手动设预算

Google Gemini 4 Argon 的模型 ID 是 gemini-4-argon。Google 当前的 Interactions API 接受 generation_config: {"thinking_level":"medium"}。支持的档位为 low、medium 和 high，默认是 medium。参见 Gemini 4 Argon 指南。

如果应用仍使用 generateContent，REST 字段是 generationConfig.thinkingConfig.thinkingLevel；Python SDK 则使用 thinking_config 及其中的 thinking_level。在 Argon 上，旧字段 thinkingBudget 已弃用：单独使用时会映射到一个档位，并产生警告；与 thinkingLevel 同时发送则会触发 400 错误。minimal 不受支持。参见 Google generateContent 思考参数参考。

Google 当前还列出了支持思考的 Gemini 3.8 Flash、Gemini 3.6 Flash 和 Gemini 3.5 Flash-Lite。它们的默认值和支持档位各不相同，所以名称里有“Flash”，并不意味着没有推理能力。参见 Gemini 模型目录和思考档位对照表。

创业者在评估 Argon 时，应先选一个有代表性的任务，检查答案后再决定是否提高档位。Gemini 4 Argon 详解讨论了更全面的采用决策。

DeepSeek：先核对模型别名，再看强度映射

DeepSeek 当前通过 deepseek-flash 提供 DeepSeek-V4.1-Flash-1017，通过 deepseek-v4-pro 提供 DeepSeek-V4-Pro-0813。两者都支持思考模式和非思考模式。这些是厂商模型页面当前列出的版本。

在 Chat Completions 中，reasoning_effort 接受 none、low、high 或 max。两个控制参数都未提供时，默认开启思考，强度为 high。显式设置的 thinking: {"type":"enabled"} 或 thinking: {"type":"disabled"}，在控制思考开关时优先于 effort 字段。兼容取值会进行映射：minimal 映射为 low，medium 和 xhigh 映射为 high。参见 DeepSeek Chat Completions 参考文档。

当网关为所有厂商提供同一套下拉选项时，这种映射尤其需要留意。选择 medium，并不会让 DeepSeek 获得一个原生的 medium 档位。使用工具时，还要按文档要求保留返回的 reasoning_content；后续启用工具的请求如果漏掉这部分内容，可能触发 400 错误。参见 DeepSeek 思考指南。

DeepSeek V4 系列指南讨论了模型选择。就接入而言，首先要确认的是：发出的参数是否确实启用了你想要的模式。

推理模型与非推理模型怎么选？先看任务

当任务涉及相互影响的约束、需要比较不同方案，或推断错误的代价较高时，应提高推理强度。如果转换规则明确、结果容易检查，就可以调低。若缺少关键证据，应先补齐证据，再考虑提高强度。

**对已获融资的创业者：**从给定的会议逐字稿中提取已商定的行动项，可以尝试较低强度；在合同义务、人员配置和现金约束之间解决产品路线图冲突，则值得投入更多推理。应提供真实约束，并要求建议中列明假设和尚未解决的问题。目标是做出更好的决策，而不是得到一份更长的备忘录。

**对中型企业 CTO 或资深运营负责人：**应将常规客服分类与例外情况处理分开。类别明确的工单，不应自动获得与涉及多项冲突政策、情况模糊的案例相同的推理投入。要仔细评估例外情况的处理流程，并在应用层保留权限校验。将推理强度调高，并不等于授权模型退款或修改账户。

**对独立开发者：**对于局部、要求明确的修改，选择能够稳定完成任务的最低档位。若是横跨多个服务的间歇性故障，需要模型辨别多种可能原因，就提高强度。尽可能提供日志和失败的测试。如果模型看不到故障，额外思考可能只是把猜测说得更详尽。

**哪些团队应先缓一缓：**如果还没有清晰定义什么结果才算正确，就应先明确标准，再把较高强度设为生产默认值。如果现有低延迟工作流已经能通过检查，可以继续使用，并单独评估例外情况。

深度思考有哪些被夸大的地方？

思考更多不保证答案正确，也无法代替从未提供给模型的资料。模型完全可能围绕一个错误前提，编出一套看似周密的论证。证据、计算和最终产物，都应独立核查。

可见的思考摘要也不是完整的审计记录。Anthropic 明确说明，展示的思考内容是摘要，而非原始推理过程；Google 则通过 API 提供思考摘要和签名。判断应落在最终答案及可核验的操作上，而不是看思考展示显得多么高深。参见 Claude 思考输出和 Gemini 思考输出。

此外，high 并不是跨厂商通用的性能等级。上表中的档位、默认值和限制各不相同，DeepSeek 还明确重新映射了若干档位名称。即使用名称相同的推理强度来比较不同厂商，也不能据此认定它们花了同样的时间或算力。

要求简洁作答仍然有用，因为这能约束交付内容。但不要把“回答简短”理解为关闭了回答之前的思考。

如何选出最适合的推理模型，并找到最低合格档位？

最合适的设置，是在可接受的等待时间内，能稳定产出合格结果且成本最低的设置。先用同样的任务和证据比较模型，再分别调整每个模型的推理强度。当前 AI 模型对比提供了更全面的选型参考，具体档位则要由实际工作负载决定。

1. 1

   先定义什么叫合格

   选择一个经常执行、结果可以核验的任务：代码修改要通过回归测试，提取结果要与提供的记录一致，建议要满足所有明示约束。测试案例要包含难例，不能只选最容易成功的情况。

2. 2

   固定其他条件，只比较推理强度

   保持提示词、证据、工具和输出额度不变。将文档中的默认档位与紧邻的较低、较高受支持档位进行比较。对于结果影响重大的任务，应重复测试同一批案例，避免一次碰巧答对就决定最终配置。

3. 3

   衡量整个任务的完成情况

   记录是否成功、总耗时、生成的 token，以及重试或人工修正情况。OpenAI 提供 usage.output_tokens_details.reasoning_tokens；Gemini Interactions 提供 usage.total_thought_tokens。应按各 API 的定义读取用量字段，不要假定所有厂商的统计口径相同。参见 OpenAI 用量说明和 Gemini 用量说明。

4. 4

   只为特定难例提高档位

   保留能够通过检查的最低档位。将已知难例交给更高档位，并在重试前分析失败原因：缺证据就补证据，推断本身困难才可能受益于更多思考。不要因为一个复杂案例有所改善，就给所有请求都提高强度。

**下周一就能做的事：**找一个目前统一使用同一推理档位的常规工作流，定义验收标准，再用保存的案例比较各档位。只有完整测试结果足以支持调整时，才修改默认值。如果没有改善，就保留更简单的配置。

常见问题

推理的 7 种类型是什么？

这个问题讨论的是演绎、归纳等推理方式的分类，与模型配置是两回事：主流 API 并没有通用的七档推理强度体系。请以具体模型和接口支持的设置为准。

AI 是怎样进行推理的？

推理模型在回答之前，会生成中间思考内容来推演问题，也可以在工具调用之间继续推理。这些额外工作可能改善复杂任务的结果，但会增加生成量和等待时间。

5 大主流 AI 模型有哪些？

并不存在固定的“五大模型”标准。本文介绍的五个当前示例是 GPT-6.1 Sol、Claude Opus 5.5、Gemini 4 Argon、DeepSeek-V4.1-Flash-1017 和 DeepSeek-V4-Pro-0813。各厂商文档中的控制方式不同，应按任务选择，而不是按数量凑名单。

哪个 GPT 最擅长推理？

OpenAI 将 GPT-6 Astra 定位为能力最强的模型，将 GPT-6.1 Sol 定位为兼顾能力与成本的模型。这是厂商定位，并不保证它们在你的任务中的表现。应根据验收标准，比较它们的结果和推理强度设置。参见 OpenAI 模型目录。

哪个 AI 模型的推理能力最好？

本文并未得出一个适用于所有工作负载的最佳模型。应使用相同证据、检查标准和完成要求比较当前候选模型，并将耗时、重试和生成的 token 一并纳入决策。

哪些 AI 擅长逻辑推理？

当前 OpenAI、Claude、Gemini 和 DeepSeek 的推理模型都可作为候选。对于逻辑要求较高的工作，应明确列出约束，并尽可能通过独立计算、测试或来源核验结论。

ChatGPT 是推理模型吗？

ChatGPT 是应用。推理能力取决于应用内部使用的模型及其配置。应用中的思考控制与 API 的 effort 字段是不同的操作入口；应用内的使用方法可参阅上文链接的滑块指南。

订阅邮件通讯，获取选择和使用 AI 工具的实用指南。