Think 在 AI 领域通常指大模型的“思考”机制,即模型在给出最终回答前先生成中间推理步骤,常见形态包括推理模型的思考模式、语音助手的 Think Fast 模式等。随着推理能力成为各家模型竞争的核心指标,Think 相关的功能命名、训练方法和评测手段也在快速演变。近期的报道显示,围绕模型如何“思考”、训练方式对思考行为的影响,以及思考成本的控制,出现了多条值得关注的研究与产品动态。
Think 相关模型与功能近期进展
当前焦点与观察点
围绕 Think 机制的讨论目前集中在三个方面。其一是能力来源问题:上述起始 token 研究提示,思考能力可能比一般认为的更“原生”,这会影响社区对 RL 训练必要性的判断,也与 OLMo-3 检查点研究中关于训练副作用的结论相互呼应。
其二是成本与可用性的平衡。ARC Prize 宣布 ARC-AGI 基准测试成本大幅下降,间接说明思考型推理的评测与部署成本正在降低;但另一面,Google 调整 Gemini 使用条款 后,免费用户从 10 月 9 日起 仅剩 Flash-Lite 档可用,显示高算力推理能力仍在向付费档位集中。
其三是思考能力的产品化与普及。Inkling 和 Inkling Small 已 通过 OpenRouter 直接提供,加上社区在提示词工程层面的持续打磨(如 后台文案改写模板 的实践分享),思考模式正从研究话题变成普通用户可感知、可调用的日常功能。后续值得观察的是:思考行为能否被更便宜地触发、评测成本是否会持续下探,以及语音场景下的实时思考能否在大规模使用中保持稳定表现。