过去一年，整个 AI 行业都在卷「长思维链」：
OpenAI o 系列、DeepSeek R1、Claude 带 thinking 的版本、Qwen3——谁的思维链更长，谁在 reasoning benchmark 上就更强。
一个被默认接受的公式是：CoT 越长 = 推理越深 = 准确率越高。
但谷歌最近一篇 arXiv 论文（2026.02.13 提交，arXiv:2602.13517）把这个公式直接打掉。
核心结论一句话：token 数量根本不是推理质量的可靠代理，思维链长 ≠ 推理深。
真正能预测准确率的，是 deep-thinking tokens（深度思考 token） 的比例。
一、为什么「长思维链」是个假象
研究团队在四个高难度数学 / 科学 benchmark 上系统测了推理模型：
• AIME 24 / 25（美国数学邀请赛）
• HMMT 25（哈佛-麻省理工数学锦标赛）
• GPQA-diamond（研究生级科学问答）
测试的模型包括 GPT-OSS、DeepSeek-R1、Qwen3——全部是带显式推理通道的 reasoning model。
关键发现：
在不少场景下，生成 token 数增加，反而带来 准确率下降——这就是最近被广泛讨论的「overthinking（过度思考）」现象。
也就是说：模型在长思维链里「绕圈子」，绕得越久越错。
但这跟单条样本的 token 数没有简单对应关系——你无法通过截断 CoT 提前判断「这段推理会成功还是会失败」。
二、什么是 deep-thinking tokens
论文的核心概念是 deep-thinking tokens——指那些在模型较深层的内部预测中发生过「显著修正」的 token。
具体定义：
在模型的不同层（layer）对当前 token 的 hidden state 做预测，如果深层预测和浅层预测之间出现明显差异，那就说明这个 token 的最终表示经历了「重新思考」过程。
换句话说：deep-thinking token = 模型在这个位置真的「想了一下」。
而绝大多数 CoT 里的 token，浅层和深层预测是一致的——它们更像是「顺嘴说出来的」，没有真正的认知修正。
三、deep-thinking ratio 才是真指标
研究团队定义了一个新指标：deep-thinking ratio（deep-thinking tokens 在生成序列中的比例）。
在所有测试的模型和 benchmark 上，这个指标和准确率呈现 稳健且显著的正相关。
对比实验也做得很干净：
• Length-based baseline（基于长度）：相关系数弱，甚至负相关
• Confidence-based baseline（基于置信度）：相关性中等，但远不如 deep-thinking ratio
• Deep-thinking ratio：相关性强、跨模型跨 benchmark 表现稳定
对行业的冲击：
过去所有 reasoning 模型的内部评测，几乎都把「生成长度」当作隐含的推理深度信号。
OpenAI o1 / o3 的「reasoning_effort」参数，本质上也是在控制 token 预算。
这篇论文意味着：这个衡量框架从根本上就是错的。
四、Think@n：基于深度思考比例的测试时缩放
论文最有工程价值的贡献是 Think@n 策略。
传统方法：
• 跑 n 个完整推理样本
• 用 self-consistency 投票选最终答案
• 计算成本 ≈ n × 完整推理成本
Think@n 做的事：
• 同时跑 n 个推理样本
• 在生成过程中实时监测 deep-thinking ratio
• 早期拒绝：如果某个样本的 deep-thinking ratio 持续偏低，在它还没生成完时就丢弃
• 把剩余的算力集中在高 deep-thinking ratio 的样本上
实验结果：
Think@n 在显著降低推理成本的同时，准确率 与甚至超过 标准 self-consistency。
对部署的意义：
• 推理 token 单价高（o3 一次推理 ≈ 几美元）
• 用户对响应延迟敏感
• Think@n 让「早期终止劣质推理路径」成为可能
这是一个对生产部署非常友好的工程优化。
五、对 AI 行业的判断
1. 「长 CoT = 强推理」的产业共识被打破。 o1 / R1 / Qwen3 团队花大力气训练模型「想得更久」，但这个度量本身就不对。后续模型训练应该直接以 deep-thinking ratio 作为优化目标。
2. 推理 token 的「通胀」会触顶。 OpenAI、Anthropic 都推出过「max thinking effort」级别的高预算模式，背后假设是「更多 token = 更好结果」。如果 deep-thinking ratio 才是关键，那 token 通胀会停在这里，模型厂商会转向「提升 deep-thinking 密度」而非「拉长输出」。
3. 可解释性研究有了新工具。 deep-thinking tokens 提供了「模型在哪一步真的在思考」的客观信号，可以用于诊断 hallucination、跟踪推理失败、训练数据归因。
4. Agent 系统的 Token 经济模型会重写。 当前 Agent 系统的成本模型是「每步 LLM 调用 × token 单价」。Think@n 这种早期拒绝策略可以集成到 Agent loop 里，让 Agent 在不确定时主动放弃低质量推理路径。
5. 学术和工业的「推理评价」开始分化。 学术上，paper 会用 deep-thinking ratio 作为新指标；工业上，模型厂商会重新包装「reasoning_effort」参数——可能很快就会有「Deep Thinking Mode」这种产品功能。
六、为什么这件事值得认真看
CoT 出现三年多，所有主流厂商、几乎所有 benchmark、所有 reasoning 论文，默认假设都是「长 CoT = 深推理」。
这篇论文第一次系统地证伪了这个假设。
它不是「又一个新指标」，而是「对推理的根本度量的重新定义」。
后续的开源推理模型（DeepSeek R2、Qwen4、Llama 4 Reasoning）如果跟进这个框架，整个 reasoning 模型赛道的训练目标和评测体系都会重构。
来源：arXiv:2602.13517（Think Deep, Not Just Long: Measuring LLM Reasoning Effort via Deep-Thinking Tokens，2026.02.13）
相关阅读
• 2026-06-14：CMU《Unfaithful Capitulation》——推理模型在多轮施压下「链对答案错」的隐蔽失效
• 2026-05-23：AAAI 2026 用梯度打开 base 模型的思维链
• 2026-05-15：arXiv 收紧 AI 生成内容规则
