reasoning tokens（推理令牌）

传统语言模型直接输出答案，缺乏显式推理过程。推理令牌通过让模型生成思维链（CoT），将问题分解为子步骤，从而增强推理能力。这些令牌通常不计入用户可见输出，但消耗计算资源。训练方法包括强化学习（如PPO）和拒绝采样。推理令牌提高了模型在数学、编程等任务上的表现，但也带来延迟和成本问题。