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。
- 高级系统设计查看详解 →
当 LLM 上下文窗口达到 1M token 时，"Lost in the Middle" 效应对 RAG 系统设计有何影响？如何工程化缓解？
即使上下文窗口达到 1M token，"Lost in the Middle"（Liu et al. 2023）与 Context Rot（Chroma 2026）仍使模型对中间位置信息的利用率显著下降——标称容量不等于有效容量。RAG 系统不能把检索结果无脑堆叠进超长上下文，而须做检索重排（首尾优先）、分层上下文预算（工作记忆 vs 长尾知识）、分块聚合（map-reduce）与位置探针评测。本题考察候选人能否把位置偏置从论文概念转化为 RAG 工程约束。
- 高级系统设计查看详解 →
基准污染诊断：当 SWE-bench Verified 得分异常高但实际能力不匹配时，如何系统性诊断并调整评估策略？
OpenAI SWE-bench Verified 审计发现 59.4% 任务存在缺陷，前沿模型被检测到从训练数据中召回答案（adwaitx.com 2026-02 技术分析）。当模型在基准上得分异常高（如 80%+）但实际能力不匹配时，候选人需要展示三条独立诊断路径（n-gram overlap 精确重叠、embedding similarity 语义重叠、ablation study 因果归因）的交叉验证能力，以及污染确认后从「单一基准分数」转向「基准组合 + 私有评测 + 过程评估」的评估策略重构能力。本题区分「会跑 benchmark」与「理解 benchmark 为什么可信」的候选人。
- 高级概念查看详解 →
在 MoE 模型的大规模部署中，Expert Parallelism 面临哪些工程挑战？请从负载均衡、通信开销、故障恢复三个维度分析。
Expert Parallelism 把 MoE 专家分布到多 GPU 以突破单卡显存上限，但 Top-K 路由导致负载不均、All-to-All 通信跨节点成为瓶颈、Expert 级 checkpoint 与弹性恢复比 Dense 模型更复杂。