Deep Think（深度思考）
Deep Think从头预训练的推理层
亦作、亦称：深度思考
Deep Think 代表推理能力从'提示技巧'到'架构能力'的范式转变——不是'想得更多'，而是'思考方式更高级'。
技术架构
Deep Think 在基础模型之上叠加专门的推理 Transformer 层，用于多步推理和逻辑推导。与传统 CoT 的关键区别：传统 CoT 是提示工程，无需额外训练；Deep Think 从头预训练推理专用层，推理能力成为架构能力而非提示技巧。
动态计算分配
根据问题复杂度动态决定推理深度：简单问题快速回答，复杂问题深度思考。推理步骤以结构化形式记录，支持事后审计和错误追溯。检测到矛盾时自动回溯并修正。
与 CoT 对比
传统 CoT 受限于上下文窗口，推理深度固定；Deep Think 拥有独立的推理空间，可动态扩展。传统 CoT 依赖后续提示纠正错误；Deep Think 在推理过程中实时自我纠正。传统 CoT 中间步骤可见但不可审计；Deep Think 推理过程结构化，可审计。
常见误解
日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。
- 「从头预训练的推理层」
相关术语
和本术语关联紧密的其他词条，便于串联理解。
🎯 考点练习
含该术语的高频面试题，含标准答案与追问。
- 初级概念高频查看详解 →
什么是大语言模型（LLM）？它能做什么、不能做什么？
LLM 是基于 Transformer、在海量文本上预训练的自回归语言模型，擅长语言任务，但不擅长精确计算、实时信息，且会产生幻觉。
- 中级概念查看详解 →
为什么少量高质量数据有时比海量新数据更重要？
数据规模重要，但真正决定训练效率的是信号密度、去重质量、覆盖结构、标注一致性和任务相关性。
- 高级系统设计高频查看详解 →
全双工语音 AI 系统的架构设计：如何实现同时听和说
GPT-Live-1/mini 发布标志着消费级全双工语音 AI 落地。全双工架构依赖三大技术突破：实时 VAD（持续监听重叠）、流式推理（token-by-token 输出 + 边生成边合成）、并行编解码（同时处理输入输出音频流），以及后台推理委托（前台快对话 + 后台深推理的双层架构）。
- 高级概念查看详解 →
模型合并（Model Merging）的核心原理是什么？TIES 和 DARE 解决了什么问题？
模型合并通过算术运算组合多个微调模型的权重，无需额外训练即可获得多任务能力。TIES 解决参数冗余和符号冲突，DARE 用随机丢弃+重缩放进一步稀疏化任务向量。
