​
1. 概述

推理模型（如 DeepSeek-R1, OpenAI o1 等）通过结构化思维、逻辑演绎和思维链（Chain-of-Thought, CoT）来解决高度复杂的任务。这些模型在数学、编程、科学推理及复杂逻辑分析方面表现优异。

​
核心特性

  • 结构化思维：模型在给出结论前会先进行内部逻辑拆解。
  • 自我纠错：推理过程中能够识别并修正先前的逻辑偏差。
  • 知识融合：多维度的知识关联，确保推理过程的严密性。

​
2. 模型选择

在 NoneLinear，我们已经为您处理好了推理模型的相关参数配置（如开启思考模式等）。您无需手动调整复杂的内部参数，只需在 模型广场 中选择对应的模型即可。
[!TIP] 我们的模型命名已经清晰标注了“思考型”与“非思考型”的区别，您可以根据需求直接调用，无需额外配置逻辑参数。

​
3. 使用示例 (Python SDK)

推理模型支持返回内部的思维链内容。您可以通过 reasoning_content 字段获取模型的“思考过程”。

​
流式输出 (Streaming)

from openai import OpenAI

client = OpenAI(
    api_key="Your-api_key",
    base_url="https://api.nonelinear.com/v1"
)

response = client.chat.completions.create(
    model="DeepSeek-V3.2-Think",
    messages=[{"role": "user", "content": "证明勾股定理"}],
    stream=True
)

for chunk in response:
    # 获取思维链内容
    if hasattr(chunk.choices[0].delta, 'reasoning_content'):
        print(chunk.choices[0].delta.reasoning_content, end="", flush=True)
    # 获取最终回答内容
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)
相关链接