过去半年，主流模型厂商都在推”推理模型”或”深度思考”版本。OpenAI 的 o 系列、DeepSeek-R1、Claude 3.7 Sonnet 的 extended thinking，都把”想得更久”作为卖点。但价格单上，这种”多想一步”并不便宜。以 DeepSeek 的 API 定价为例，R1 的输入缓存命中价格是每百万 tokens 1 元，输出 16 元；而同厂的普通模型 V3，输入缓存命中只需 0.5 元，输出 8 元。OpenAI 的 o1-preview 与 GPT-4o 的价差更悬殊，输入成本相差 3 倍，输出成本可达 4 到 5 倍。问题于是变得很实际：这笔加出来的钱，到底花得值不值？
如果把大模型调用当作云服务资源，推理模型相当于把 CPU 的单核性能换成了多核长时间运算。普通生成模型追求的是”一遍过”，而推理模型会在内部生成大量思维链（Chain-of-Thought）token，这些”暗思考”虽然对用户不可见，但都会被计入计费。
我做过一次内部测试：让同一个架构问题（设计一个支持 10 万 QPS 的短链服务）分别走 GPT-4o 和 o1-preview。GPT-4o 输出约 800 tokens，费用约合 0.01 美元；o1-preview 输出约 2200 tokens，其中可见答案只占 600 tokens，其余 1600 tokens 是隐藏推理过程，总费用约 0.13 美元。单轮价差超过 10 倍。如果放在高并发的生产环境，这笔账必须算清。
第一类是复杂代码 Debug。去年团队遇到一个异步竞态 bug，普通模型给出的修复建议停留在”加锁”层面，试了三轮都没解决根因。换用推理模型后，它在内部推理中主动排除了加锁方案，指出是事件循环中的微任务插队导致的时序错乱，并给出了基于队列重排的代码。虽然调用成本贵了 4 倍，但省下了两位后端工程师各半天的排查时间，ROI 很明显。
第二类是策略方案与商业分析。比如给一款 SaaS 产品制定从 PLG（产品驱动增长）转向 SLG（销售驱动增长）的过渡方案。普通模型能列出”招聘销售、调整定价”这样的标准动作，而推理模型会推演客户分层、销售周期与现金流压力的联动关系，甚至指出在第二、第三季度可能出现的老客户续约率滑坡风险。这种需要多步因果推断的任务，正是推理模型的长项。
第三类是数学与逻辑推导。做财务模型校验或算法证明时，推理模型的准确率通常比普通模型高 15 到 25 个百分点。对于不能出错的场景，比如药物剂量计算或工程结构安全校核，多花几块钱买确定性，远比事后补救便宜。
然而，如果把推理模型当成万能钥匙，大概率会浪费预算。
第一类是文本分类。我们曾用 2000 条客服对话测试情感极性判断，普通模型准确率达到 94.2%，推理模型 95.1%，提升不到 1 个百分点，但成本翻了 3 倍。对于这种边界清晰、答案空间有限的任务，普通模型加一层 few-shot 示例就足以覆盖。
第二类是信息提取与格式改写。比如从合同 PDF 里抽取”甲方名称、签约金额、交付日期”三要素，普通模型配合结构化输出（JSON mode）已经能做到 97% 的字段准确率。推理模型反而容易”想太多”，在思维链中质疑条款表述的合法性，最后输出的 JSON 里多了注释字段，还得额外做清洗。
第三类是创意写作与简单改写。让模型把一段技术文档改写成微博文案，普通模型的生成速度更快、语气更自然。推理模型会过度分析修辞结构和传播心理学，输出显得生硬，且因为思考过程冗长，首 token 延迟（TTFT）明显变高，用户体验反而下降。
怎么在具体业务里做决策？我通常看三个维度，画成一张简单的对照表就能落地。
第一，错误代价。如果一次生成错误会导致直接经济损失或安全责任，比如代码部署到生产环境会引发故障、医疗建议会影响患者，优先用推理模型。反之，如果错误只是需要人工再点一次”重新生成”，比如营销文案不够 catchy，就用普通模型。
第二，任务确定性。把任务拆成”封闭式”与”开放式”。封闭式任务答案空间有限（分类、提取、判断），普通模型足够；开放式任务需要多步推导、权衡利弊（架构设计、根因分析、策略推演），推理模型的投入产出比更高。
第三，迭代成本。如果一个问题需要普通模型连续调用 5 次、人工介入 3 轮才能勉强可用，不如直接把预算拨给推理模型一次到位。算总账，而不是算单轮价。
说到底，推理模型不是升级换代，而是资源错配。它的价值不在于”更聪明”，而在于把计算资源集中砸在那些”想错一步，满盘皆输”的任务上。剩下的日常杂活，交给普通模型，才是现阶段最务实的用法。
