推理档位就是一句提示词——但这句提示词背后，是训练管线在替你兜底

2026年7月22日，Sebastian Raschka 写了一篇长文，把 Codex、Claude Code、Kimi Code 界面里那个你每天都在拨的推理档位，拆了个底朝天。

结论很反常识：你拨的不是什么复杂开关，就是往 system prompt 里塞了一句话——“Reasoning effort: low / medium / high”。

但这句话能起作用，因为一群人在训练阶段已经替你铺好了整条管线。RLVR 的长度惩罚、SFT 的档位对齐样本、DeepSeek V4 的三个专家——这些东西在你拨动滑块之前就已经就位了。

你以为自己在调引擎，其实你只是踩了一脚油门。齿轮比、悬挂阻尼，工厂里早就设定好了。

---

推理模型的本质：把草稿写出来

先回到一个更底层的问题——推理模型到底在干什么。

DeepSeek-R1 的训练配方是这个领域最干净的例子。训练时，模型拿到一道数学题，走一遍思考过程，最后给一个答案。评分环节，只给最终答案打 0/1 分——答对 1，答错 0。中间的思考草稿，不看不评不打分。

用 RLVR（Reinforcement Learning with Verifiable Rewards）术语说：reward 信号只锚定在可验证的输出上。数学题用 SymPy 验算对错，代码题跑单元测试，就这么简单粗暴。

诡异的事发生了。

模型自己发展出了“等一下，这里好像不对”的自我纠错行为。DeepSeek 团队管这叫 Aha moment。不是预设的规则，不是 prompt 里教的技巧，纯粹是奖励最终答案带来的副产品。

RLVR 像一个只批改作业不批改草稿的老师——学生为了拿到那个“对”字，自己琢磨出了打草稿、检查、再改这一整套习惯。

这个机制有个前提：领域必须能自动核对对错。数学可以，代码可以，但“这篇文案写得好不好”就不行，因为“好”是模糊的。

---

档位是一句话，但有两条管线在撑

说回档位。

从 OpenAI 开源的 gpt-oss 代码里能直接看到：档位确实是通过 system prompt 控制的。实际请求前缀会被加上“Reasoning effort: low/medium/high”。

但“一句话就能生效”这件事，是以大价钱换来的。

Sebastian Raschka 的推测是两条路线在背后起作用——注意，Claude 的具体细节没公开，这部分是作者基于 gpt-oss 和 DeepSeek 公开资料的推断。

路线一：RLVR 阶段加长度惩罚

训练时，对 low 档位样本的 token 输出量罚得重——你多写一个字就扣分。对 high 档位几乎不罚——你爱写多少写多少。模型在 reward 的压力下学会了：看到“low”就少写，看到“high”就放开了写。

路线二：RLVR 之后再补一轮 SFT

收集 RLVR 产生的高质量轨迹（long-chain reasoning 和 short-chain 的都有），喂给模型做监督微调。样本里标明了“这道题按 low 思路解”“那一道按 high 思路解”。模型就这样把档位标签和篇幅、深度绑定在一起。

DeepSeek V4 的做法更激进。直接训了三个专家：Non-think、Think High、Think Max。每个专家用不同的上下文窗口、不同的长度惩罚，最后蒸馏进同一个 checkpoint。你切换到 Think Max，system 指令写的是“Reasoning Effort: 绝对最大”，看起来中二，但背后对应的是一个专门训出来的专家权重。

你觉得档位只是个界面 UI，实际上每次拨动都在调用不同的训练成果。

---

两个旋钮，两条曲线

GPT-5.6 的界面把这件事说得最清楚。

左边选 Luna / Terra / Sol——换模型，改训练算力，权重不一样。

右边调推理档位——不改权重，只改推理算力，同一套参数里压出不同表现。