核心要点
Deep Thinking：让模型投入更多推理预算（更长的链式思维 / reasoning tokens、自我反思、多路探索）来攻克难题，准确率更高但更慢、更贵
Adaptive Thinking：按问题难度动态决定「想多深」——简单问题快答、难题才深思，平衡质量与成本/延迟
本质：两者都是对「test-time compute（推理期算力）」的分配，Deep 是「多投」，Adaptive 是「按需可控地投」
定位：是 2025–26 推理模型的关键能力，让同一个模型既能省钱省时回答日常问题，又能在硬问题上拉满推理
标准回答
Deep Thinking（深度思考）
Deep Thinking 指让模型在回答前投入更多推理预算去想清楚，而不是脱口而出。具体手段包括：生成更长的链式思维（更多 reasoning tokens）、对中间结论做自我反思与校验、并行尝试多条解题路径再择优。它的收益是难题上的准确率显著提升，代价是更慢、更贵——推理 token 多了，延迟和成本都跟着涨。
Adaptive Thinking（自适应思考）
如果对所有问题都拉满深度思考，那就是用「问 1+1」的成本去答「问 1+1」，浪费严重。Adaptive Thinking 的核心是按问题难度动态决定「想多深」：
- 简单问题（事实问答、寒暄、格式转换）→ 少想甚至几乎不想，快答。
- 难题（复杂数学、多步推理、需要规划）→ 才深思，分配更多推理预算。
这样就在质量与成本/延迟之间取得平衡，而不是一刀切。
统一视角：test-time compute 的可控分配
两者其实是同一根轴上的概念——都是在管理推理期算力（test-time compute）。Deep Thinking 解决「能不能投入更多算力换更高质量」，Adaptive Thinking 解决「该投多少、什么时候投」。把推理预算做成可控、可按需分配的资源，是 2025–26 这一代推理模型的关键能力：同一个模型既能在日常问题上省钱省时，又能在硬问题上把推理拉满，而无需用户手动切换不同模型。
常见误区
⚠️ 常见踩坑
别把「想得越久越好」当真理——深度思考对简单问题是纯浪费，还会徒增延迟和成本，甚至出现「想太多反而绕晕」的过度推理。也别把 Adaptive Thinking 理解成「砍掉思考」：它不是一律少想，而是按难度可控地分配推理预算，难题该深思时一点不省。
追问
追问 1：深度思考一定能提升准确率吗？什么时候会反而变差？
不一定。对需要多步推理的难题，更多推理预算通常能提升准确率；但对简单或已经答对的问题，继续深思可能「过度推理」，反而把对的答案绕错，同时白白增加延迟和成本。所以收益是有边际递减甚至反转的，关键是按问题难度判断是否值得深思。
追问 2：Adaptive Thinking 如何判断一个问题「该想多深」？
常见做法是让模型基于问题本身估计难度并自行决定推理预算（例如先快速判断是否需要展开长链思维），也可以由系统侧用难度信号或预算档位（low/medium/high 思考强度）来控制。工程上还会设上限来兜底，避免简单问题被过度思考、难题被过早截断。
追问 3：在产品里，怎么平衡深度思考带来的延迟/成本？
核心是把推理预算当成可调资源：默认走自适应、让多数请求快答，只对识别出的难任务放开深度；对延迟敏感场景设思考预算上限或超时；必要时按用户分层（如付费用户允许更深思考）。还可以缓存常见难题结果、把深思放到异步/后台流程，避免在交互主路径上让用户干等。
🔗 相似问题
同一考点的不同问法，面试官可能换着问，一起刷更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习