推理模型流行起来后，输出前面经常跟一大段"思考过程"，啰啰嗦嗦列一堆中间步骤，正经答案就那么几句。简单问题也这么搞，看着累还费 token。
理解思考过程对复杂推理有用，但能不能让模型自己判断该不该思考？简单问题直接答不香吗。
现在我的做法是简单任务用非推理模型，复杂任务才上推理模型。大家怎么平衡？有没有啥让推理模型别那么啰嗦的招？
回复
暂时没有回复。
Related
相关推荐
讨论
Agent 该用哪个模型当家教？
这里说的"家教"是给 Agent 选底层模型。我用过几家之后的感觉：推理能力强的模型适合做规划和复杂判断，但贵且慢；小模型适合做工具调用和简单路由，便宜快但容易出错。 我现在用混合：主推理用强模型，工具调用和短对话用小模型，按任务难度路由。 选型这事没有标准答案，得拿你自己的任务
讨论
你现在主力调哪家的大模型 API？
我做应用基本离不开 API 调用了，以前是某一家死忠，最近半年纷纷转向多供应商。原因一是价格战打起来，二是各家各有擅长，三是怕单一供应商出故障全盘崩。 我现在主力推理用一家，工具调用用另一家，便宜路由用开源小模型，靠一个统一网关切换。 缺点是不同模型行为差异大，prompt 经常
讨论
RAG 值得学吗？长上下文会不会把它淘汰
每次看到"上下文又翻倍"的新闻，都有人喊"RAG 要死了"。但我学了一阵子 RAG 之后觉得，这说法太夸张。 长上下文确实能塞下更多原文，但贵、慢、而且模型对超长上下文的"中间遗忘"问题还在。RAG 的优势是精准召回 + 成本可控 + 可追溯来源，这些是长上下文替代不了的。 我的
讨论
求助：RAG 检索出来的 chunk 总是不相关
搭了个 RAG，文档塞了几百篇，但检索效果很差，top 5 里经常只有一两条相关，甚至完全不沾边。embedding 用的也是主流模型，不知道哪出了问题。 怀疑过几个点：chunk 切太大（一段塞了多个主题）、问题太短召回不上、或者文档本身噪音多。 排查了一周没头绪。大家有没有