深度推理

过去几年， scaling law 的故事是「参数越大、数据越多、模型越强」，成本全压在训练阶段。2026年，一个明显转向是：与其把所有能力在训练时一次性塞进权重，不如让模型在回答问题的当下「多想一会儿」。这就是推理时计算 scaling——模型花更多算力在思维链上反复推演，答案质量随之提升。越思考越强，正在成为新一代模型的标配气质。 「多想一会儿」为什么有效？ 直觉上，人类解数学题、写复杂代码时也不是一口报出答案，而是打草稿、试错、回头检查。推理时计算把这个过程外置成可观测的中间步骤：模型先生成几条思路，自我评估，淘汰坏的，再沿好的那条深挖。难题之所以难，往往不是知识不够，而是需要多步串联、且每一步都可能错；给它更多token当草稿，错误率就被摊薄。 成本结构发生了什么变化？ 训练 scaling 是一次性巨量投入，推理 scaling 是按题付费。简单问题让模型秒答，难题才触发长思考，相当于把算力花在刀刃上。对用户来说，这解释了为什么同样一个模型，敷衍回答和深度回答判若两机——差别不在权重，而在你给它的「思考预算」。 这条路的边界在哪？ 推理时计算不是万能药。它能放大模型已有的推理能力，却不能凭空造出它从没学过的世界知识；思考一万步的幻觉，仍然是幻觉。更深的隐患是：模型在长思维链里可能把最初的错误前提越推越远，自我强化而不自我怀疑。所以2026年的真正前沿，不是「让模型想得更久」，而是「让模型知道什么时候该停下来、该回头」。思考质量的分水岭，从来不在长度，而在自省能力。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

谷歌新一代旗舰 Gemini 4 Argon 把输出 token 上限从上一代的 6.4 万一举提升到 100 万，主打复杂长周期工作流的深度推理，DeepSWE v1.1 得分 77.9%（来源：https://news.sohu.com/a/1088622556_121423427）。这个数字的重点不是「能写更长」，而是「能想更久」——模型第一次被允许在一次回答里，连续推理几十万步而不中断。 100 万输出 token 到底能做什么？ 普通用户写一篇文章也就几千 token。100 万输出，等于让模型一次写完几十本书的量。它真正的用途不是写作文，而是长程任务：让它在后台调试一个跨几十个仓库的大型 bug，从复现、定位、改代码、写测试、跑 CI 一路做到通过；让它分析一整套代码库的架构并输出完整重构方案；让它读完一份几百页的合同，逐条比对并产出风险清单。DeepSWE 77.9% 的得分，说明这种长程能力已经不是演示，而是可以托管的工程能力。 长输出和长输入是一回事吗？ 不是。过去很多模型输入窗口很大，但输出到几千 token 就开始啰嗦、失忆、跑题。Gemini 4 Argon 的突破在于「输出侧的耐力」——它能在长达十万步的推理中保持目标感，不绕圈、不自我重复、不中途忘记最初要解决什么。这对智能体时代至关重要：智能体失败大多不是第一步走错，而是做到第五百步忘了第五步。输出耐力，本质是模型的「工作记忆稳定性」。 这对个人开发者的实战意义是什么？ 你不必真的让它一次吐 100 万 token，但你应该利用它的长程思考能力：把一个模糊的大问题交给它，让它自己拆成子任务、自己列计划、自己交叉验证。过去我们写 Prompt 要反复迭代十轮，现在可以把十轮的要求一次性写在一个 Prompt 里，让它在单次会话里跑完。成本不低，但对高价值任务——比如一份商业尽调、一个复杂系统的设计文档——这种「一次想透」的模式，比人类开三天会还划算。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论