Codex、Claude Code 背后的那个档位，到底改变了什么

你拨的那个档位，先变的是请求

打开 Claude Code、Codex 或者 Kimi Code，选完模型，旁边总有类似的推理档位：light、medium、high，有的还多一档或几档。

大部分人凭手感。简单问题拨低，难的拨高，预算够就拉满。但你有没有想过，拨动那一下，模型到底变了什么？是换了一套权重？跳了一条分支？还是触发了什么隐藏模式？

答案简单到有点反-climactic。

至少在 gpt-oss 这类公开实现里，切换档位不需要更换模型权重，而是通过 system message 里的控制字段，告诉模型采用不同的推理强度。

OpenAI 在 2025 年发布的开放权重模型 gpt-oss，把这种控制方式公开展示了出来。模型卡在 Hugging Face 上写得明明白白，开发者在 system message 里写 Reasoning: low、Reasoning: medium 或 Reasoning: high，模型就按对应的详细程度作答。注意，原文是 Reasoning:，不是网上很多文章传的 Reasoning effort:。差一个词，但照抄错的字符串到自己的 prompt 里，效果可能就不一样。

一个 117B 参数、激活 5.1B 的 MoE 模型，Apache 2.0 协议，你可以本地跑，也可以读它的 chat template。至少在这个可核验的例子里，档位不是更换模型，而是模型在训练中学会响应控制指令。

但 gpt-oss 的做法不能直接套在所有产品上。从公开代码和变更记录可以看到，Codex CLI 会传递结构化的 reasoning effort 参数；Kimi CLI 根据模型供应商分别使用 thinking.type、reasoning_effort、output_config.effort 或 budget_tokens；Claude Code 也会传 effort 参数或 thinking budget。

所以，客户端这一层其实看得很清楚：用户选中一个档位，Agent 把它转换成参数发给服务端。 真正没有完整公开的，是服务端接到参数后怎么处理——它可能把参数映射成内部控制指令、推理 token 预算、生成策略或模型路由，也可能组合使用几种机制。换句话说，我们知道旋钮把什么信号传了进去，但未必知道机器内部怎样执行这个信号。

问题是——为什么一句话能让模型"变聪明"或"变快"？模型怎么知道 high 是什么意思？

这就得从训练说起。

推理模型多做的，是测试时计算

先厘清一个被用滥的词。

"推理模型"（reasoning model）并不意味着我们已经证明它拥有和人类相同的思维机制。工程上更准确的说法是：模型会在最终答案前投入额外的测试时计算，生成中间 token、探索候选路径，必要时检查或改写答案。

⬆️AI生成

打个不完全准确的比方：普通模型更像拿到题目就落笔的学生，推理模型则被允许先用草稿纸。只是这张“草稿纸”不一定向用户开放：有些产品展示摘要，有些隐藏内部推理，有些还会把额外计算用于工具调用或候选答案筛选。

这段草稿不是装饰。它让模型有机会把一个复杂问题拆成几步，走偏了还能回头改。代价是慢，而且贵——草稿本身也是 token，要算钱的。

那这段"先打草稿"的习惯是怎么训出来的？不是人一条条教的。

只奖励答案对错，模型自己学会了思考

DeepSeek-R1 在今年 1 月公开的论文（arXiv:2501.12948）里，给出了一个后来被整个行业抄作业的配方，叫 RLVR——Reinforcement Learning with Verifiable Rewards，可验证奖励的强化学习。

名字唬人，逻辑特别朴素。

给模型一道数学题或一段代码需求，让它自己生成回答。答案对了，奖励给 1；错了，给 0。数学题用 SymPy 或 WolframAlpha 验算，代码用编译器和单元测试跑。不需要人来打分，对错可以自动判定。

关键的反直觉之处在这里：训练时根本不去评判那段草稿写得好不好，只看最终答案对不对。 DeepSeek 团队试过把草稿质量也纳入奖励信号，发现帮助不大，干脆去掉了。

只靠"奖励结果"这一条，模型自己学会了写中间步骤、学会了回头检查、甚至学会了在发现错误时推翻重来。论文里管这种自发行为叫 "Aha moment"——训练到某个阶段，模型突然开始表现出"等等，这里好像不对"的行为，没有人教过它要这样。

训练算法用的是 GRPO（Group Relative Policy Optimization），省掉了传统 PPO 需要的 critic 模型，把一组采样回答放在一起比较，好的提高概率、差的降低概率。

那 <think></think> 这对标签呢？很多人以为是它让模型"开始思考"的。

真不是。

在 DeepSeek-R1 的奖励设计里，这对标签首先承担的是格式标记：R_accuracy 奖励答案正确，R_format 检查思考过程是否被放进规定标签。真正的能力不能归因于这两个符号；但论文也没有证明标签对训练“零贡献”，更不能据此断言换一对符号重训，benchmark 一定不变。

道理懂了。但还有个问题没回答：为什么 Reasoning: high 这一句话能让模型写更长的草稿？随便一个模型，你加这句话它不会理你。

让模型听懂档位，训练时得做两件事

模型不是天生懂"high"是什么意思。要让它稳定地根据这个词改变行为，训练阶段需要建立“控制词—计算量—回答形态”的对应关系。公开研究至少展示了两类可行办法，它们可以组合，但不代表每家公司都用了同一套配方。

路线一：在强化学习阶段引入不同的 token 预算或长度约束。

强化学习的目标是最大化奖励，但 token 生成本身有成本。训练者可以给模型不同的 token 预算，或在奖励函数中加入长度约束，让它分别学习“少算一点”和“多算一点”时怎样完成任务。这里说的是一种已被公开研究验证过的训练思路，不等于某个闭源产品的实际奖励函数。

路线二：RLVR 之后再补一轮监督微调（SFT）。

喂给模型大量样本，每个样本的 prompt 里带着 Reasoning: low 或 Reasoning: high，对应的回答分别是短的和长的。模型通过模仿学会把档位标签和目标长度对应起来。这是更直白的办法，但需要准备不同长度的高质量回答数据。

这两条路线解释了模型为什么可能听懂档位，却不能反推出 GPT-5.6 的具体训练配方。OpenAI 没有公开闭源模型的完整训练细节，写到这里，证据的边界就该停住。

顺带说一句，第一代推理模型根本没有档位这回事。DeepSeek-R1 是个专职推理模型，不管你问什么它都要长篇大论一番，哪怕你只是问"今天星期几"，而且没有关闭开关。后来的 Qwen3（今年 5 月的技术报告，arXiv:2505.09388）做了件聪明事：用一个叫 Thinking Mode Fusion 的 SFT 阶段，把 thinking 和 non-thinking 两种样本混在一起训，让同一个模型学会两种模式。关闭思考的实现方式特别直接——在回答开头塞一个空的 <think></think>，模型一看这标签是空的，就直接跳到答案。

从"开关"到更细的档位，控制测试时计算逐渐从模型能力变成了产品参数。

你手里握着两个旋钮，不是一个

当前 Codex 把模型和推理强度放在两个独立的选择器里。

模型一栏可以选择 GPT-5.6 Sol、Terra 或 Luna；Reasoning 一栏则是 Light、Medium、High、Extra High 和 Ultra。先不用纠结这些名字和 API 参数怎样逐一对应，看懂界面传达的关系就够了：换模型，改变的是能力与成本的底座；调 Reasoning，改变的是这次任务愿意投入多少计算。

只有 Ultra 稍微特殊一些。它还会主动调度多个 Agent，不只是让单个模型多生成一些推理 token。

选 Luna / Terra / Sol，换的是模型权重本身，粗略对应训练时砸进去的算力——参数量、训练数据、预训练投入。调推理档位，模型权重不动，只是让它在回答时多花或少花 token，对应推理时的算力开销。

打个比方。选模型像是选赛车：Luna 是卡丁车，Terra 是 GT 赛车，Sol 是 F1。调档位像是踩油门：踩多深决定这一圈跑多快，但车本身没变。

有意思的是这两条 scaling 曲线会重叠。一个小模型开高档位，有时候能追平一个大模型开低档位的分数。gpt-oss-20b 开 high 和 gpt-oss-120b 开 low，在某些 benchmark 上差距并不大，但成本差好几倍。

⬆️AI生成

所以你手里其实握着两个旋钮。用更大的模型？还是把档位调高？还是两个一起上？这取决于你要的精度、能接受的延迟和愿意付的钱。

档位不是越高越好，边际递减很明显

直觉上档位越高，答案就越准。方向大体没错，但收益并不会一直按同样幅度增长。

第一，档位越高，模型通常会投入更多测试时计算。 在 gpt-oss 的不同档位对比中，推理强度提高时，回答往往更长，也更有机会解决复杂问题。代价同样直接：等待时间变长，reasoning token 和总用量也可能增加。

第二，准确率会逐渐进入饱和区。 一开始增加推理计算，模型表现可能提升得很明显；继续往上加，曲线会慢慢变平。此时成本和延迟还在增加，质量收益却越来越小——这就是边际递减。

一句话：档位拉满不等于答案一定更对。多数任务里，中间档往往才是准确率、成本和延迟之间的甜点区。

那具体怎么选？如果你用的是 Codex，可以从低档开始，根据结果逐步往上调：

• 简单分类、格式转换、短问答：Light
• 常规编码、文档撰写、数据分析：Medium
• 复杂调试、架构设计、多步推理：High
• 少数质量优先的高难任务：Extra High，先用代表性任务验证是否真的更好
• 能够拆成多个独立子任务的复杂工作：再考虑 Ultra，因为它还会主动调度多个 Agent

国产旗舰各有各的训法

闭源模型不公开训练细节，但几个有技术报告的开放权重模型给出了"至少被验证可行"的真实配方。

DeepSeek V4 Pro（今年 4 月发布的模型卡，1.6T 参数、49B 激活）训了三个推理"专家"：Non-think、Think High、Think Max。每个专家用不同的上下文窗口和长度惩罚分别训练，再通过 on-policy distillation 蒸进同一个 checkpoint。Think Max 模式需要特殊的 system prompt 触发，官方建议上下文窗口至少留 384K token。不是简单的 prompt 技巧，背后有三套独立训练撑着。换个模型照抄那句 prompt？没用。

Kimi K2.5 的方法叫 Toggle。技术报告（arXiv:2602.02276）里写得清楚：训练时每 m 个 iteration 在两个 RL 阶段之间交替。一个阶段施加 token 预算约束（当模型对某类题的平均准确率超过阈值 λ 时才启用），逼它学着在预算内解题；另一个阶段放开限制，让它充分利用测试时计算。两个阶段交替，模型既学会了省 token，又没有丢掉向更高计算量泛化的能力。实测平均输出 token 减少 **25% 到 30%**，benchmark 几乎不掉。

更新的 Kimi K3（2.8T 参数，7 月发布，开放权重）API 提供 low、high、max 三档，默认 max；Kimi Code 服务默认 high。训练细节还在等完整技术报告。

这几家的实现路径不一样，但共同点很清楚：选择器只是入口，模型能否稳定响应档位，取决于训练阶段是否建立过对应的控制能力。 对一个没有接受过相关训练的模型，单独照抄 Reasoning: high，不能保证得到同样的效果。

档位会一直在，但选择器可能会消失

GPT-5 这代曾经做过 Auto 模式，想让系统自动帮你选档。实际效果不稳定，后来从主界面撤掉了。这个判断我只有六七成把握——OpenAI 没正式解释过为什么撤，但从社区反馈看，自动选档在简单任务上经常过度推理（浪费钱），在复杂任务上又偶尔选低了（掉链子）。

我的判断是：近期推理档位仍会是一个显式参数，大概率继续通过 system prompt 传递。但 Agent 外面那层 harness——Claude Code、Codex、各类 agent 框架——会越来越多地根据任务类型、上下文长度和剩余预算自动推断该用哪一档，同时保留你手动覆盖的权利。

想压延迟、想省成本、或者想在某个关键步骤榨干性能，手动覆盖就派得上用场。这也是为什么理解档位原理仍然有价值：当你不信任自动选择时，你得知道自己在调什么。

说到底，那个看起来很玄的选择器，背后没有魔法，但也不只是一句提示词。控制字段只是入口，真正托住它的，是训练阶段建立起来的计算预算控制能力。

参考资料

• DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning： https://arxiv.org/abs/2501.12948
• OpenAI gpt-oss-120b 模型卡： https://huggingface.co/openai/gpt-oss-120b
• Introducing gpt-oss（OpenAI 官方）： https://openai.com/index/introducing-gpt-oss/
• GPT-5.6: Frontier intelligence that scales with your ambition： https://openai.com/index/gpt-5-6/
• OpenAI API 推理模型文档： https://developers.openai.com/api/docs/guides/reasoning
• Qwen3 技术报告： https://arxiv.org/abs/2505.09388
• DeepSeek V4 Pro 模型卡： https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro
• Kimi K2.5 技术报告： https://arxiv.org/abs/2602.02276
• Controlling Reasoning Effort in LLMs（Sebastian Raschka）： https://magazine.sebastianraschka.com/p/controlling-reasoning-effort-in-llms
• GPT 5.6 Has 72 Possible Configurations（Sebastian Raschka）： https://sebastianraschka.com/blog/2026/gpt-5-6-configurations.html

文章仅做学术分享，如有侵权请联系删除，非常感谢！