System 1 的模型怎么做出 System 2 的事

同一个推理模型，可能在一道小学生算术题上翻车，转头又解出一道研究生水平的数学题。

这种忽高忽低不是 bug。有人给出了一个统一的解释：它从来就没在「慢想」，只是把别人验过的答案背得更熟了。

一、发生了什么

《AI Magazine》2026 年冬季刊（第 47 卷第 4 期）刊出亚利桑那州立大学教授 Subbarao Kambhampati 的文章，标题问得很直白：怎么让 System 1 的大模型表现出 System 2 的能力。

他先承认大模型是什么：一个面向全人类的、外挂式的 System 1。它训练在人写下的全部数字痕迹上，所以下一个词的预测能表现出惊人的常识和语言能力。此前的 AI 是「深而窄」的 System 2——AlphaGo 只会在围棋上深思，深蓝只会在国际象棋上算；大模型是第一个「广而浅」的系统。

那 2024 年之后的推理模型是怎么回事？o1、R1 这些模型看起来会一步步想，但训练仍是自回归，推理时仍是逐词预测。

Kambhampati 的答案是「编译」。大模型是一个很好的候选生成器，能对任何题目给出看起来合理的解法。有了生成器，就可以做「生成—检验」搜索：让它大量出解，用外部验证器筛。验证器可以是 Python 解释器加单元测试，可以是 Lean 这样的证明检查器，也可以是排程、规划的经典求解器。他甚至认为，眼下「世界模型」的热潮，本质上也是在学一个可用的验证器。

验证器不只给对错，还能指出哪一段错了、建议怎么换，反馈回去影响下一次生成。这套框架他称为 LLM-Modulo。

下一步是把验证器的判断压进权重。把生成—检验过程中通过的题目和解法，做成合成数据，在后训练阶段喂回模型。DeepSeek R1 用的那类强化学习，本质是在这个循环上加了一步梯度更新。他引用明斯基的说法：智能就是把「检验」搬到「生成」里。

代价是，模型仍然只是一个更会猜的下一词预测器。它会输出中间 token，但这些 token 更像是给答案搭的脚手架，未必有可读的语义。正确性没有保证，要保证就得在推理时继续挂验证器。

二、跟你有什么关系

买「推理模型」的。 「会思考」是产品描述，不是机制。它更擅长的是它训练时被验证过的那类题。

做高风险场景的。 数学、代码、排程有现成验证器，可以形成闭环；战略判断、医疗决策没有，别把同一套信心搬过去。

做模型评测的。 只看最终答案，会高估能力。要看它在没有验证器的领域里，是否还保持同样的水平。

三、怎么判断一个「会推理」的模型靠不靠谱

1. 看有没有外部验证器。 代码能跑、证明能查、排程能验算，这类任务的进步是实的。没有验证器的领域，进步往往只是像。
2. 换一道同类型但没见过的题。 如果训练分布里全是可验证题，它可能只是学会了题型，不是学会了方法。
3. 不要用「想得久」当质量指标。 中间 token 是脚手架，长度和正确性没有稳定关系。有的模型在错题上反而想得更久。
4. 要求它给出可检验的中间产物。 一段能跑的代码、一个能代入的数字、一条能复算的推导，比一段流畅的解释可信。
5. 在闭环里用它。 生成候选、外部检验、把通过的留下。这个结构比换更大的模型更有效。

四、三个别信的说法

「推理模型等于 System 2。」 按这篇文章的定义，System 2 需要一个独立的、可检查的推理过程。推理模型仍然是同一个自回归架构，只是被训练成先输出一段中间 token。机制没换，换的是条件分布。

「思维链越长，越可信。」 作者明确指出，中间 token 可能只是让答案更容易被生成出来的脚手架，未必对人有意义。把思维链当审计日志，会高估它的解释力。

「能力上去了，常识自然就有了。」 锯齿状的表现恰恰说明不是这样：能证数学定理，却可能栽在没被明确表述的常识题上。原因在于，前者有验证器，后者没有。

五、一句话结论

它不是学会了慢想，是把别人的检验结果背进了权重；有验证器的地方它强，没有的地方它还是快猜。

信息来源

• How to make System 1 LLMs show System 2 competencies?，Subbarao Kambhampati，AI Magazine，2026 年冬季刊

功能与价格以官方公告为准。本文写于 2026 年 10 月 19 日。