本文系统提出下一代推理模型的四维能力框架——技能、校准、策略与抽象，揭示AI如何从“会答题”迈向“能规划、懂分配、会反思”的真正智能体，并预测2026年将出现可自主执行4小时以上复杂任务的AI系统。
作者背景介绍：
Nathan Lambert 是人工智能领域知名研究员，长期深耕于强化学习、奖励建模与大模型推理能力评估。他是 Ai2（Allen Institute for AI）RewardBench 项目的核心推动者，主导开发了RewardBench 2这一业界领先的奖励模型评测基准。Nathan 近年来专注研究推理模型在复杂任务中的表现边界、训练机制与部署策略，其观点常出现在顶级AI会议与工程师社区。他将于2025年6月5日出席AI Engineer World’s Fair，在“推理与强化学习”专场发表本篇观点的现场演讲。
一、推理模型的代际演进：从“解题高手”到“智能体操盘手”
过去几年，我们见证了第一代推理模型的横空出世——它们的核心突破在于“推理时扩展”（inference-time scaling），也就是模型在面对复杂问题时，能够通过生成更长的思维链（Chain-of-Thought）来逐步拆解问题。这类模型的代表包括 GPT-4o、DeepSeek R1、Claude Sonnet 3.7 等。它们在 MATH、AIME、LiveCodeBench、Humanity’s Last Exam 等硬核评测中实现了性能跃迁，证明了强化学习结合可验证奖励（RLVR, Reinforcement Learning with Verifiable Rewards）确实能让模型学会真正有用的解题技能。
但问题来了：这些“解题高手”在面对简单问题时，也习惯性地长篇大论、反复验证、无限思考——这就是典型的“过度思考”（overthinking）现象。为什么会这样？因为当前的强化学习训练天然鼓励模型“多想多试”，而缺乏对问题难度的自适应判断能力。换句话说，模型不知道什么时候该“收手”，什么时候该“发力”。这种低效不仅拖慢响应速度，还大幅推高推理成本，对商业落地极为不利。
而第二代推理模型的目标，远不止于此。它们要成为真正的“智能体”（agentic language models）——不仅能解题，更能规划、调度、反思、纠错，甚至在多天任务中自主分解子目标、管理上下文、调用工具链。这就需要一套全新的能力体系，而这套体系，正是本文提出的核心框架：技能（Skills）、校准（Calibration）、策略（Strategy）和抽象（Abstraction）。这四项能力必须按顺序逐层构建，缺一不可。
二、四大能力支柱详解：从单点解题到全局规划的完整链条
第一层：技能（Skills）——解决封闭问题的基本功
技能是最底层的能力，指的是模型能否独立解决一个自包含（self-contained）的问题，比如解一道数学题、写一段可运行的代码、推理一个逻辑谜题。这是当前所有推理模型的主战场。DeepSeek R1 的成功，本质上就是通过 RLVR 训练让模型掌握了一大批可验证的技能。
值得注意的是，技能的获取与“推理时令牌花费”（token spend per response）高度相关。模型在训练中被鼓励生成更长的推理路径，从而暴露更多中间步骤供奖励模型打分。这种机制直接导致当前顶尖推理模型的回答动辄上万 token，效率极低。但短期内，业界仍愿为性能牺牲效率——因为能力还没饱和。
第二层：校准（Calibration）——“知道问题有多难”的元认知能力
校准能力是指模型对问题难度的自我评估能力。一个校准良好的模型，在面对“1+1=？”这种问题时，应该秒答；而在面对国际数学奥林匹克压轴题时，才启动长链推理。
目前，校准能力几乎完全依赖人工干预：用户需要手动切换“推理模式开/关”、选择“轻量/重度推理模型”、或设置“思考预算”（thinking budget）。有些系统甚至通过抑制 结束符，强制模型继续思考。这些做法显然不可持续。
好消息是，研究已证明：强化学习的损失函数比传统指令微调或偏好对齐（preference tuning）更灵活，可以显式控制输出长度。例如，通过在奖励函数中加入“长度惩罚项”，模型可以学会根据问题难度动态调整推理深度。未来，校准能力将直接决定用户体验——更快、更便宜、更愉悦。
第三层：策略（Strategy）——高维空间中的方向选择
策略能力，是指模型能否为复杂问题选择正确的高层解法路径。比如面对一个软件重构任务，是先写测试再改代码，还是先画架构图再分模块？选错方向，后续所有努力都白费。
当前模型在策略层面极其薄弱。即使是最强的 R1 模型，在 Frontier Math 这类超难基准上，也只是“隐式规划”——前几个 token 就决定了整条推理路径，几乎没有回头余地。而在真正的智能体工作流中，模型必须能在任务开始前就制定清晰计划，并在执行中动态调整。
Anthropic 在 Claude 4 发布文中透露，他们采用“并行测试时计算”（parallel test-time compute）：同时生成多个推理路径，再用内部评分模型选出最优解。Google 的 Gemini Deep Think 也采用类似思路。这种机制虽不能直接提升技能，但能显著提高答案的一致性与质量，相当于给模型装上了“多线程大脑”。
第四层：抽象（Abstraction）——将宏大目标拆解为可执行单元
抽象能力，是策略的落地执行。它要求模型能把一个“开发完整 SaaS 应用”的目标，拆解成“设计数据库 → 写登录API → 实现前端路由 → 部署CI/CD”等一系列可在 1–2 分钟内完成的子任务（约 10K–100K tokens 的推理量）。
当前，由于任务时间跨度短（通常 <30 分钟），抽象问题还不突出。但一旦模型要处理跨天任务，就必须具备强大的上下文管理能力——记录已完成步骤、跳过重复工作、在失败后切换策略。Claude Code 的“上下文压缩”技术就是典型例子。
OpenAI 的 o3 模型在“深度搜索”（Deep Research）任务中表现惊艳，能精准定位网络上唯一存在的冷门信息。但这只是“技能”层面的胜利。当要求它“综合全网观点写一篇行业分析报告”时，o3 就力不从心了——因为这需要更高阶的规划：决定采集哪些信源、如何对比、如何结构化输出。
三、通往智能体的关键路径：数据、训练与系统工程的三重挑战
要让模型真正掌握策略与抽象，光靠海量预训练远远不够。正如当年 Q* 传闻背后其实是 OpenAI 花费巨资人工构建推理轨迹数据集，下一代规划能力的突破，也必须依赖高质量的“冷启动”监督微调数据（cold start SFT data）。这些数据需要包含：
- 高层策略模板（如“先验证假设，再收集数据，最后建模”）
- 问题抽象示例（如“将‘优化数据中心PUE’拆解为气流模拟、液冷参数调优、负载调度策略”）
- 失败回溯日志（记录某条路径为何失败，如何切换新策略）
好消息是，规划能力比基础推理链更容易迁移。因为模型在数学和代码训练中已积累大量“结果导向”经验——知道什么解法能得分，什么会失败。这种“目标感”可部分迁移到规划任务中。
当前智能体（如 Codex、Claude Code、Deep Research）的致命弱点是输出方差极大：同一个人同一天问同一个问题，可能得到“神作”或“垃圾”。
根源在于缺乏稳定的规划机制。
Claude Code 之所以表现更稳，很可能是因为它在运行时被训练“多次编辑和重审计划”——这正是校准与策略的闭环体现。
四、现实与学术的鸿沟：别再沉迷“最难数学题”，用户需要的是能干活的AI
学术界仍在疯狂刷榜 MATH 5.0、国际奥数金牌题、LeetCode Hard++……但产业界早已转向：用户要的是能自动写周报、能调试 Kubernetes 集群、能分析财报趋势、能设计液冷数据中心布局的 AI。这些任务不考“天才直觉”，而考“系统性规划+工具调用+上下文管理”。
讽刺的是，这些真实场景的能力，恰恰最难评测。因为它们依赖整个系统栈——模型、工具链、记忆机制、用户反馈闭环。而学术评测往往是静态、孤立、短时的。
因此，真正的竞赛已从“单模型性能”转向“端到端系统实用性”。无论是开源还是闭源，谁能率先构建出稳定、高效、低成本的智能体工作流，谁就能定义下一代AI交互范式。
2026年，我们将看到首批能自主执行4小时以上复杂任务的AI系统。它们不会因为一道小学数学题卡住10分钟，也不会在写代码时忘记自己已经定义过某个函数。它们会像人类工程师一样：先想清楚再动手，遇到障碍会绕路，完成任务会总结。
而这一切，都始于对“技能→校准→策略→抽象”这一进化链条的深刻理解与工程实现。
五、结语：推理模型的未来不在“更聪明”，而在“更懂分寸”
我们正站在AI智能体爆发的前夜。推理模型不再是只会炫技的“答题机器”，而是即将成为可信赖的“数字员工”。但这场进化不会自动发生——它需要研究者放下对极致性能的执念，转而关注校准、规划、抽象这些“脏活累活”；需要工程师设计出支持长时记忆与动态调度的推理架构；更需要产品经理把用户真实工作流作为训练目标。
正如 METR 那张著名图表所示：AI能执行任务的时长每7个月翻倍。2024年止步于 GPT-4o，2025年靠推理技能突破到 Claude Sonnet 3.7，而2026年的飞跃，将属于那些真正掌握“自适应规划”的模型。
记住：最强的AI，不是能解最难的题，而是知道什么时候不该解题。