思维链为什么有效：推理时计算的研究脉络

一个奇怪的现象

让大模型做数学应用题，直接给答案错一大片；在提示里加一句「让我们一步一步思考」，或者给几个带解题过程的示例，正确率明显上升。答案的格式变了，模型并没有变——多出来的不是知识，而是「思考」这个动作本身。这个现象背后的机制，是近几年推理方向研究的起点。

思维链的经典做法

思维链（Chain-of-Thought，CoT）最初的形式是 few-shot 提示：在提示里给两三个「问题、一步步推理、答案」的完整示例，模型模仿这个格式，把中间推理步骤写出来，再给最终答案。随后的 zero-shot 版本更简单：不加示例，只在问题后面补一句「让我们一步步思考」，效果就会出现。这两步确立了一个事实：推理行为可以被提示唤起，模型本身早已具备写出推理步骤的能力，只是需要被要求。示例不用多，两三个就够；更要紧的是示例里推理过程本身的质量——模型会连示例的坏习惯一起模仿。

为什么有效：把内隐计算外化

核心洞察一句话：Transformer 每做一次前向传播，能完成的串行计算深度是固定的。一个 token 从进模型到出模型，走过的「计算步数」恒定；而复杂推理需要的串行步数超过这个预算，一次前向根本算不完。

CoT 的机制就是把算不完的部分摊到生成过程里：模型每写出一个中间 token，这个 token 就会拼回输入，触发一次完整的前向计算。写出「设苹果有 3 个」，等于追加了好几次完整的串行计算步。推理被外化成可见的 token 序列，推理时的计算量随思维链长度动态增长——模型不再是「想好了才说」，而是「边说边想」，中间产物又成为下一步计算的输入。这就是思维链有效的根本原因：它是一种不改动模型、纯靠生成过程实现的推理时扩容。

自一致性：多条路径投票

既然推理是生成出来的，就可能这次推理对、下次错。自一致性（self-consistency）利用了这一点：同一个问题采样多条不同的推理路径（把温度调高，让模型走不同的思路），各自得出答案，最后投票取多数。直觉是：正确的推理路径往往殊途同归，错误的路径则错得五花八门。代价是计算量成倍增加——用算力换准确率。

奖励模型：看答案还是看过程

要让模型「多想」而且想得对，需要奖励信号告诉它什么算想得好。结果奖励模型（ORM，outcome reward model）只看最终答案对不对，过程一概不问；过程奖励模型（PRM，process reward model）对每一步推理打分，中间哪步错了就指出来。差别类似只批答案的老师和逐行批过程的老师：ORM 的数据容易获得（对答案即可），但可能奖励「碰巧对」的坏过程；PRM 监督更精细，但每一步的标注成本高得多。推理模型「先想后答」的行为，很大程度上是这类奖励信号塑形出来的。

测试时扩展：多想一会儿成为能力维度

这系列工作的汇合点是测试时扩展（test-time compute scaling）：推理时投入更多计算——更长的思维链、更多的采样路径、更多的自我检查——能换来稳定的能力提升，而且这条提升曲线与「更大的模型」那条曲线相互独立。推理难度不再只由参数量决定，「想多久」成了和「模型多大」并列的两个旋钮。从工程视角看，这相当于把「算力换质量」做成显式可调的档位：同一个模型，便宜档应付日常问题，深度档攻坚难题，算力按需分配。

边界与残留问题

三件事要泼冷水。其一，CoT 不是免费午餐：简单任务上写思维链是纯开销，更慢、更贵，有时还把本来能直接答对的题「想错」。其二，模型可能写出假推理：结论正确，过程却是凑出来的——先「猜」到答案，再倒推出一套看似合理的步骤，或者步骤之间并无真实的逻辑依赖。书面推理的条理清晰，不等于计算真的有效。其三，验证仍是瓶颈：生成多条推理容易，可靠地判断哪条推理真的对很难，PRM 的标注成本与可靠性都还没到让人放心的程度。

一句话总结：思维链的本质，是把固定深度的前向计算扩展成随生成长度增长的动态计算。下一步值得追的问题是：怎样的中间步骤才算「真的在算」，以及验证成本能不能降到与生成同一个量级。