大模型花算力，有两个不同时机：一个在训练阶段把知识学进参数，另一个在你提问的当下现场思考。测试时计算指的是后一种。模型参数已经固定，但可以在给出答案前多生成几步推理、多试几条思路、回头检查一遍。它换来的，是「更舍得用时间和 token 换准确率」，并非「更聪明」。要理解这条技术路线，先要分清训练与推理两端的算力流向。
训练时与测试时，算力花在两端
训练时计算（training-time compute）把算力砸在数据上：喂进海量语料，反复更新模型参数，让它学会语言规律和知识。参数一旦固定，模型上线后每回答一次，用的就是推理算力。测试时计算（test-time compute）则是把算力花在单次回答上：模型不换、参数不动，只在生成答案的那几十秒里多走几步。两者不是同一笔账，训练是一次性投入，测试时计算是每次都要付的钱。
这带来一个直接判断：同一个模型，简单问题可以快速作答，复杂问题才需要多花测试时计算。算力分配从「一律用超大模型硬扛」，变成「按问题难度动态加码」。这也是为什么不少产品的深度思考模式是可选开关，不是默认全开。
三种常见做法
延长思考：让模型先写出中间推理步骤，再给最终结论。这种做法常被称作思维链（Chain of Thought），模型把「怎么得出这个答案」的过程显式列出来，相当于边想边写。它适合数学、逻辑这类中间步骤可检验的任务。
多路尝试：对同一个问题独立生成多个候选答案，再从中挑一个更一致的。比如让模型解三次，取多数票，或者挑一个能被验证通过的。代价是生成量成倍增加，token 消耗随之上升。
自我检查：生成答案后回头审查，发现错误就重写。模型自己当第一遍的作者、第二遍的编辑。它只在「错误能被模型自己发现」的场景里有效，模型看不出自己的错时，这步就空转。
速查：测试时计算的三种做法
- 延长思考：先写推理过程，再给结论。
- 多路尝试：生成多个答案，取一致或验证通过的。
- 自我检查：生成后回头审，错就重来。
| 做法 | 具体动作 | 何时有效 | 判断标准 |
|---|---|---|---|
| 延长思考 | 先列中间步骤，再给结论 | 需要多步推理的数学、逻辑题 | 中间步骤是否可验证 |
| 多路尝试 | 独立生成多个候选答案 | 有明确对错的封闭题 | 多个答案是否一致 |
| 自我检查 | 生成后回头审查再重写 | 错误可被模型自己发现 | 检查后是否真的改对 |
为什么它比「把模型做大」更省
把模型做大是「换一个更强的脑子」，测试时计算是「让现有的脑子多花点时间」。前者要重新训练、重新部署，成本集中在前期；后者不碰训练，同一个模型直接切换思考深度。对已经上线的产品，测试时计算更容易落地，因为不需要从头再训一版模型。
代价很具体：慢、贵、可能白想
慢是直接代价。深度思考模式常常让响应时间从几秒拉长到几十秒甚至更久，用户要等。贵紧随其后：多生成的每一步都是 token，token 按量计费，思考越久账单越高。用「次数成本」的思路看，多路尝试相当于把一次生成拆成三次生成，成本接近线性翻倍。
最后一条代价最容易被忽略：不一定有效。在开放式问题、创意写作这类没有唯一答案的任务上，想得久未必更好；如果模型第一秒就走错了方向，多想的只是把错误推演得更详细。想得更久，是更努力，不是更正确。
它做不到什么：边界在「方向」
测试时计算有明确的能力边界。它能在模型「已经知道但没想清楚」的问题上换回准确率，却无法补上模型「本来就不知道」的知识。一道需要外部实时信息的题，多思考十分钟也变不出它没见过的数据。它的失效点很集中：当初始方向错误、或任务本身没有可验证的标准答案时，追加思考换不来可靠结论。
换句话说，测试时计算放大的是已有能力，不创造新知识。它适合推理密集型任务，对「知不知道」类的问题没有增益。这条边界决定了它不能当作模型能力的替代品，只能当作同一模型在不同难度下的算力档位。
怎么判断要不要开深度思考
给普通用户一个可执行的判断：先看任务有没有唯一正确答案。数学题、代码题、逻辑推理，值得开；闲聊、头脑风暴、写宣传语，不必开。再看你能否验证结果：能验证，多想有价值；不能验证，多想只是多等。最后看时间敏感度：赶时间就别开，白等还多花 token。
想进一步了解承载这些能力的大模型本身，可读什么是大语言模型。视频生成里的「次数成本」逻辑与多路尝试的代价相通，可对照抽卡是什么意思理解生成次数如何推高成本；从文稿到数字人的生成流程，也能看到「计算量随输出变长而增长」的同类现象，见口播视频是怎么生成的。
