一句话看懂：Sebastian Raschka 与 Sophia Yang 在一场 69 分钟访谈中，把”推理模型”从概念神话拉回工程现实——它只是会写思维链的模型，能力来自 RLVR、蒸馏和推理时扩展这些具体方法。理解这些方法，比争论”模型是否在思考”更有实用价值。
事件核心：发生了什么
2026 年 9 月 9 日，AI Book Club（主持人 Sophia Yang，曾在 Mistral 工作）复办后邀请 Sebastian Raschka 直播对谈，主题围绕他的新书《Build a Reasoning Model (From Scratch)》。Raschka 是《Build a Large Language Model (From Scratch)》作者，新书以前作预训练模型 Qwen3 0.6B 为起点，讲解两大类推理增强路径：推理时扩展（提示词、自我精炼、多数投票）与 RLVR（用数学计算器或代码编译器等可验证奖励训练模型）。他直言”reasoning”只是行业术语，思维链相当于模型的草稿纸——又乱、可能出错、不会交上去，但帮助到达正确答案。
访谈还回应了 The Information 关于 OpenAI 新模型 Astra 采用循环 Transformer、可能”隐藏思维链”的报道。Raschka 反驳：循环层权重共享相当于用更多计算换更少 token，就像大模型 Sol 解决同一任务比 Luna 用更少 token，不是隐藏推理，而是不需要绕路。同时他泼冷水：这是有趣的架构改进，不是根本性突破。
为什么重要
这场对谈的价值在于把行业热词拆成可操作的方法论。第一，RLVR 已经改变了后训练范式——数学任务现在普遍不用 KL 散度约束，Qwen3 等模型明说去掉或设为近零，说明可验证奖励足以让模型自我校正。第二，蒸馏的路线之争有了数据支撑：查阅各家技术报告后，业界主流仍是”离线 + 硬蒸馏”，软蒸馏因 tokenizer 和词表必须兼容，基本只在同族模型间可行，DeepSeek-R1 从自家大模型蒸馏小模型是典型场景。第三，过程奖励（给中间步骤打分）仍属实验性，容易滑向 reward hacking，最终答案正确性才是客观 ground truth。
对用户/开发者/创作者的影响
对开发者，选模型的实用方法是先定成本/速度阈值，再用 Artificial Analysis 找约束内性能最优解；注意不同 harness 消耗 token 差异很大，Claude Code 约为 Codex 的两倍。对做后训练的人，RLVR 除数学和代码外没有”显而易见”的应用场景，放手试即可，但换领域（如音频）可能需要大量调参，可以用另一个 LLM 按量规打分当”熔断器”，发现质量崩坏就停训回滚。对创作者，主观任务（如网页前端）仍是”十亿美元问题”：用户偏好各异，不存在通用奖励，出路是通过上下文引导（如 AGENTS.md）加上人工测试——Raschka 分享了自己预约换机油却因 AI 系统未记录而白跑一趟的经历，说明功能炫酷不等于流程可用。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是软蒸馏的工程约束是否会被工具链缓解，比如出现跨词表的 logits 对齐方案；二是过程奖励建模能否在 DeepSeekMath V2 的”模型解题 + 裁判反馈 + 评估裁判”三级结构上稳定下来，还是继续停留在实验阶段；三是循环 Transformer 如果真的进入 OpenAI Astra 等产品，token 数量下降带来的成本变化是否会被更高的单 token 价格抵消，这直接影响开发者的 API 账单。
来源：@shao__meng
