模型为什么要有推理强度？一文看懂 OpenAI、Claude、Kimi 与 DeepSeek 的档位设计

导语

最近用 Codex、Claude Code 或各家模型 API 时，你大概率见过这些选项：

low、medium、high、xhigh、max

它们通常被叫作 推理强度（reasoning effort）。

同一个模型，把档位从 low 调到 high，回答可能会更慢，工具调用可能会更多，代码检查也可能更完整。于是一个很自然的理解是：

推理档位越高，模型就越聪明。

但这个理解只对了一半。

推理强度确实会影响模型愿意为当前任务投入多少计算和推理资源，但它不是“智商滑块”，也不是越高越好。更重要的是，不同厂商虽然都在使用 high、max 这些名字，背后的默认值、可选档位和控制范围并不相同。

这篇文章会解决三个问题：

推理强度究竟控制什么；
OpenAI、Claude、Kimi 与 DeepSeek 的最新知名模型分别支持哪些档位；
实际做产品或 Agent 时，怎样找到质量、延迟和成本之间更合适的档位。

本文所有档位信息均来自截至 2026 年 8 月 1 日 可查到的厂商官方文档。没有官方依据的档位，不纳入比较。

一、先分清两个问题：选什么模型，和让它想多久

使用大模型完成任务时，我们实际上在做两个不同的决定。

第一个决定是 选什么模型。

更强的模型通常适合复杂、开放式任务；更轻量的模型适合分类、抽取和高并发服务。比如 OpenAI 将 GPT-5.6 Sol 定位为前沿能力模型，Terra 用于平衡能力与成本，Luna 则面向成本敏感的高吞吐任务。

第二个决定是 给选定模型设置多高的推理强度。

它决定这个模型处理当前请求时，倾向于投入多少推理资源。两者的关系可以画成这样：

流程图

可以把它类比为选人和安排工作时间：

模型决定由谁来做；
推理强度决定允许他在这件事上投入多少精力。

这两个旋钮彼此独立。下面这张图要表达的，正是先选合适的计算引擎，再决定让它走多深的推理路径。

模型选择与推理强度是两个独立控制维度

这一区分非常重要。因为当结果不理想时，你需要先判断：问题到底是模型能力不足，还是现有模型没有投入足够推理；反过来，如果任务只是提取三个字段，换最强模型并打开最高档位，也可能只是把简单工作做得更贵。

二、推理强度到底控制什么

推理模型在给出最终答案前，会使用一部分推理 Token 规划步骤、比较方案、处理歧义和检查结果。

以 OpenAI 的官方解释为例，推理 Token 通常不会把完整内部推理直接展示给用户，但仍会占用上下文空间，并按输出 Token 计费。

提高推理强度后，模型可能出现这些变化：

在行动前进行更完整的规划；
检查更多候选方案和边界情况；
在 Agent 任务中调用更多工具；
在代码任务中增加验证和调试步骤；
使用更多推理 Token，带来更高延迟和成本。

这里有两个容易误解的地方。

1. 推理强度不是严格的 Token 配额

它更像一个行为信号。模型仍会根据任务难度自适应：简单问题即使设置较高档位，也未必消耗大量推理资源；困难问题在较低档位下，也不代表完全不思考。

Anthropic 的文档就明确提醒，effort 是行为信号，不是严格的 Token 预算。OpenAI 也说明模型会在同一推理档位下，根据问题复杂度自适应使用推理 Token。

2. 更高档位不保证答案一定更好

如果任务失败是因为缺少资料、工具返回错误、上下文被截断，或者工作流没有验证环节，多增加推理 Token 未必能解决问题。

例如，一个报告 Agent 没有拿到真实指标文件。即使把推理档位从 medium 调到 max，它也不能凭空知道正确数据。这时需要修复的是信息输入和核对流程，而不是继续增加思考量。

三、怎样理解常见的推理档位

不同厂商没有共享一套统一标准。不过，从官方文档对各档位的用途描述来看，可以先建立一个粗略的任务梯度。

`none` 或 `minimal`：不推理或极少推理

适合分类、抽取、路由、简单改写和快速查询。任务规则清楚，不需要多步规划。

优势是响应快、资源消耗低；面对隐含约束、复杂工具调用或多步推导时，则更容易漏掉问题。

`low`：轻量推理

适合资料整理、普通写作、客服问答、简单数据分析，以及目标明确的代码修改。

它通常比完全关闭推理更稳，同时仍然优先考虑速度和成本。很多日常 Agent 请求都可以从这一档起步。

`medium`：平衡档

适合需要规划、判断和多步骤执行的任务，例如研究资料、分析表格、编写方案、排查代码问题，或者完成一段有限长度的工具调用流程。

它常被用作质量、延迟和成本之间的基线，但并不是所有厂商都提供这一档，也不是所有模型都默认使用它。

`high`：高强度推理

适合复杂调试、技术方案设计、困难推导、重要决策分析和长流程 Agent。模型通常会投入更多资源规划和检查，因此延迟与成本也可能增加。

`xhigh` 或 `max`：超高与最大推理

主要面向长时间运行的编程 Agent、深入研究、安全审查，以及质量优先的高价值任务。

这两档最需要用评测来决定。把所有请求一律设为最高档，通常不会让所有结果等比例变好，却很容易让整个系统变慢、变贵。

四、四家厂商的模型分别支持哪些档位

下面这张表只保留官方文档明确公布的信息。

厂商与模型	官方支持档位	官方默认值
OpenAI GPT-5.6 Sol、Terra、Luna	`none`、`low`、`medium`、`high`、`xhigh`、`max`	`medium`
Claude Opus 5、Sonnet 5	`low`、`medium`、`high`、`xhigh`、`max`	`high`
Kimi K3	`low`、`high`、`max`	`max`
DeepSeek V4-Pro、V4-Flash	`high`、`max`	普通请求为 `high`

把它们放在一起后，会看到一个很有意思的差异：有的厂商允许完全关闭推理，有的模型始终推理；有的从中档起步，有的默认就使用最高档。

接下来逐个看。

1. OpenAI GPT-5.6：从关闭推理到最大推理

GPT-5.6 系列支持六档：

none → low → medium → high → xhigh → max

默认值为 medium。

OpenAI 官方建议：抽取、分类和简单改写可以优先尝试 low；诊断问题、比较方案、编写计划和代码推理可使用 medium 或 high；xhigh 与 max 应在代表性评测证明有效后再启用。

需要注意，Sol、Terra 和 Luna 的模型能力定位不同。相同的 medium，只表示它们各自在本模型内部使用同名配置，并不意味着三者会得到同样的结果。

OpenAI 还提供独立于 effort 的 Pro mode。它会让系统在返回单个最终答案前投入更多模型工作，但这不是 max 之上的第七个推理档位，不能和 effort 混成一条刻度。

2. Claude：effort 不只影响内部思考

Claude 通过 output_config.effort 控制强度。Claude Opus 5 和 Sonnet 5 支持五档：

low → medium → high → xhigh → max

默认值为 high。

Anthropic 特别强调，effort 会影响整个回答过程，包括可见文本、工具调用、函数参数，以及启用 thinking 后的思考过程。

在工具任务里，较低 effort 往往会减少工具调用、压缩说明并更直接地行动；较高 effort 则可能增加探索、检查和总结。xhigh 主要面向长时间运行的编程与 Agent 任务，max 面向不限制 Token 投入、追求最高能力的场景。

这意味着 Claude 的 effort 不是单纯调节“回答前想多久”，它还可能改变 Agent 完成整个任务的工作方式。

3. Kimi K3：始终推理，默认就是 `max`

Kimi K3 始终启用思考模式，不能完全关闭推理。它通过顶层字段 reasoning_effort 提供三档：

low → high → max

默认值为 max。

如果推理时间过长，Kimi 官方建议把强度降低到 low。因此，Kimi K3 的最低档不是“不推理”，而是减少推理投入。

这也说明了为什么不能只看档位名称：OpenAI 有 none，Kimi K3 则没有对应选项。两家的最低档不是同一种行为。

4. DeepSeek V4：真正有效的是 `high` 与 `max`

DeepSeek V4-Pro 和 V4-Flash 同时支持思考与非思考模式。开启思考后，官方提供两个实际档位：

high → max

普通请求默认使用 high；部分复杂 Agent 请求会自动设置为 max。

为了兼容已有客户端，传入 low、medium 时会映射到 high，传入 xhigh 时会映射到 max。也就是说，这些兼容名称不会形成额外的实际档位。

因此，在 DeepSeek V4 中，最重要的是先决定是否启用思考，再决定使用 high 还是 max。

五、为什么不同厂商的同名档位不能直接比较

看到两款模型都支持 high，很容易把它们理解为相同的推理预算。

但目前这些名称只是厂商内部的控制接口，不是一套行业统一标准。不同模型在以下方面都可能不同：

推理 Token 的计算与计费方式；
是否允许关闭推理；
是否展示独立的 reasoning 内容；
推理强度是否影响工具调用；
模型是否自动调整思考量；
默认档位如何设置。

所以，不能因为 Claude 和 OpenAI 都提供 high，就认为它们会使用相同 Token、产生相同延迟或达到相同质量。

真正可以比较的单位不是档位名称，而是：

完成一类真实任务时，
成功率、延迟、Token 和成本的组合结果。

六、实际使用时，应该从哪一档开始

一个更可靠的方法，是先按任务复杂度选择起点，再通过真实任务逐档评测。

流程图

可以先用下面这套经验建立基线：

抽取、分类、格式转换和简单改写：从最低有效档开始；
写作、资料整理和明确的代码修改：从 low 或 medium 开始；
复杂调试、研究分析和多工具 Agent：从 medium 或 high 开始；
安全审查、长时间编程和质量优先任务：评测 xhigh 或 max。

只有出现下面几类证据时，才值得继续提高档位：

当前档位经常漏掉关键约束；
失败主要来自规划或检查不足；
错误结果的代价明显高于额外调用成本；
任务可以异步运行，对延迟不敏感；
实际评测证明更高档位提高了成功率。

评测时不要只看单次回答是不是更长、更像“认真思考过”。至少应该记录：

任务是否真正完成；
关键事实或计算是否正确；
工具调用是否有效；
首次响应与总完成时间；
输入、输出和推理 Token；
每个成功任务的平均成本。

如果从 medium 提升到 high 后，答案只是变长，却没有提高任务成功率，那么更高档位并没有带来实际价值。

七、推理强度最终应该成为路由策略的一部分

在真实系统里，推理强度不必是一个永远不变的全局配置。

一个更成熟的 Agent，可以根据任务类型选择模型与档位：

简单请求交给轻量模型和低档位；
普通知识工作使用平衡档；
检测到复杂代码、长链路工具调用或高风险操作时，提高强度；
如果高档位仍失败，再考虑换模型、补上下文或调整工作流。

这比“所有请求都用最强模型、最高推理强度”更接近真实工程需要。因为我们最终优化的不是某一次回答看起来有多聪明，而是系统能否在可接受的时间和成本内稳定完成任务。

结语

推理强度的价值，是让同一个模型能够适应不同工作负载。

简单任务需要快速、稳定和低成本；复杂任务需要规划、探索与检查。最佳档位通常不是最高档，而是能够稳定完成任务的最低档。

因此，一个更实用的原则是：

先选择适合任务的模型，再从中低推理强度建立基线；只有当真实评测证明质量不足时，才逐级提高档位。

当推理强度从一个固定开关变成可评测、可路由的工程参数，模型的能力、延迟和成本才真正开始变得可控。

参考资料

OpenAI，Reasoning models：
https://developers.openai.com/api/docs/guides/reasoning
OpenAI，API deployment checklist：
https://developers.openai.com/api/docs/guides/deployment-checklist
OpenAI，Model guidance：
https://developers.openai.com/api/docs/guides/latest-model
Anthropic，Effort：
https://platform.claude.com/docs/en/build-with-claude/effort
Kimi API Platform，Reasoning Effort：
https://platform.kimi.ai/docs/guide/use-reasoning-effort
Kimi API Platform，Kimi K3：
https://platform.kimi.ai/docs/guide/kimi-k3-quickstart
DeepSeek API Docs，思考模式：
https://api-docs.deepseek.com/zh-cn/guides/thinking_mode

导语