过去两年，衡量一家公司AI实力的流行问题通常是你的模型有多少参数；到了2025年，这个问题正在被你的模型愿意花多少时间思考所取代。
一条新曲线：把算力花在推理阶段
所谓推理时计算（test-time compute），指的是模型在给出答案前先展开一段较长的内部推理——拆解问题、尝试多种解法、自我检查、必要时回溯重来。2024年9月OpenAI发布o1系列，首次把先想再答做成可用的产品形态；2025年初DeepSeek-R1以开源方式证明了这条路径可以被复现；Anthropic为Claude加入扩展思考模式，谷歌Gemini 2.5也把思考预算交给用户调节。这些模型的共同点不是参数更多，而是在回答难题时愿意消耗更多token。
范式为什么会转移
背后有两个现实压力。一是预训练的边际收益在放缓：公开互联网上的高质量文本接近见底，有研究机构估计，可用语料可能在未来数年内被训练耗尽，继续单纯堆参数的性价比在下降。二是评测方式变了：数学竞赛题、复杂编程、科研问答这类有明确对错、却需要多步推理的任务，恰好是延长思考时间能明显提分的领域。业内常被引用的一组实验显示，在难题上合理分配推理算力，效果可以超过把模型规模放大若干倍。
代价与新的分层
思考不是免费的。推理阶段消耗的token直接对应成本与延迟，一个问题若要想十分钟，用户未必愿意等。于是产品设计出现分层：简单问答走快速模型，复杂任务才调用深度思考。API定价也随之分化，按思考量计费、区分快慢档位逐渐成为常见做法。对开发者而言，这带来一道新的优化题——不是把每个请求都交给最强的模型，而是判断哪些请求值得多想一会儿。
产业层面的连锁反应
- 算力结构：需求重心从训练集群向推理集群转移，对芯片的内存带宽、互联与能效提出新要求。
- 评测基准：刷榜式的静态问答逐渐失效，AIME、SWE-bench、FrontierMath等强调推理过程与工具使用的测试更受重视。
- 智能体：会思考的模型更容易与工具调用结合，多步规划、试错与纠错，正是智能体落地的关键能力。
- 数据策略：包含错误与修正的高质量推理轨迹成为新的训练资源，合成数据的质量与去噪变得更加重要。
结语
从拼参数到拼思考，本质是把变聪明的责任从训练阶段部分转移到使用阶段：同一个模型，可以按任务难度动态分配算力。这并不意味着规模不再重要，底座仍决定上限，但竞争的焦点正从谁的模型更大，转向谁更会用算力思考，并把这份能力以可接受的价格交付。对普通用户来说，接下来的体感或许很直接：AI回答变慢了，但答对的时候变多了。