想象一场重要的数学考试。学霸小明拿到试卷后，先抽出一张草稿纸，在上面密密麻麻地演算：列方程、试错、划掉、重来，最后才把工整的答案誊写到答题卡上。而同桌小刚拿起笔就直接在答题卡上写，速度快得多，交卷也早——但遇到难题，往往写到一半就卡壳了。 在这场考试里，小明的草稿纸不会被批改，老师只看到答题卡上的最终答案；但正是那些看不见的演算步骤，让他解出了小刚解不出的题。这个场景，就是推理token机制的真实写照：AI模型在生成回答之前，先在“内部草稿区”生成一大串隐藏的token来思考，这些token消耗真金白银的算力，却永远不会出现在你看到的回答里。 过去，传统模型只能“边说边想”，把思维过程全部暴露在回答中；如今，以o1为代表的新一代推理模型学会了“先草稿、后作答”——用大量隐藏token换取更强的解题能力，这就是推理token机制。它正在悄悄重塑整个AI技术栈：从GPU集群的调度，到应用架构的设计，都因为这张“草稿纸”而改变。

岗位关联

理解推理token机制，是掌握o1类推理模型成本账本与性能上限的钥匙——无论你是算法工程师、推理平台开发者还是AI应用架构师，都能借此做出更明智的技术决策。

目录
  1. 可视化演示
  2. 基本原理
  3. 工作方式
  4. 算力代价
  5. 能力收益
  6. 工程权衡
  7. 技术前景
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

基本原理

考场里，监考老师只认答题卡上工整的答案。但真正的学霸都会在草稿纸上完成另一套“工作”：设未知数、列方程、兜圈子、划掉重来。草稿纸上的字迹不会出现在答题卡上，却直接决定最终分数。推理token机制，就是给AI模型发了一张“官方草稿纸”。

传统大语言模型是“边说边想”的：它生成的几乎所有token，都原样展现在回答里。而推理模型学会了划分两个区域：一部分token被标注为“仅内部使用”，在隐藏的思考区完成推理；另一部分token才是你看到的回答。这些用于内部思考的隐藏token，就是推理token。

从技术上看，推理token与普通token共享同一套词表和生成器，但通过训练阶段引入的格式标记（如思考区的起始符与结束符）加以隔离。o1类模型通过强化学习，让模型学会在思考区产出结构化、可验证的推理链条（如分解、枚举、回溯），再在答题区给出精简答案。协议层与推理层对思考区内容做截断处理，保证用户只拿到可见输出。

回到考场：小明的草稿纸用了半页，答题卡只写了三行；小刚的答题卡写得密密麻麻。批卷老师只会为三行工整的推理步骤加分——正如用户只为可见答案付费，但模型的“草稿量”决定了这份答案的含金量有多高。

Ttotal=Treasoning+Tvisible\displaystyle T_{total} = T_{reasoning} + T_{visible}
一次完整问答的token总账，等于草稿区隐藏token加上答题区可见token之和——推理token占比越高，模型越接近“慢思考”模式。
  1. 总token数 $T_{total}$模型一次完整问答过程中，生成器实际产出的全部token个数，是算力账单的第一依据。
    TtotalT_{total}
  2. 隐藏思考量 $T_{reasoning}$草稿区生成、被丢弃或拦截的推理token数量，用户永远看不到它们。
    Treasoning=Ttotal−TvisibleT_{reasoning} = T_{total} - T_{visible}
  3. 可见回答量 $T_{visible}$最终展示给用户、计入应用层计费的token数量。
    Tvisible=Ttotal−TreasoningT_{visible} = T_{total} - T_{reasoning}
  4. 思考强度推理token占总token的比例，衡量模型在这道题上“打了多少草稿”。
    ratio=TreasoningTtotal\displaystyle \text{ratio} = \frac{T_{reasoning}}{T_{total}}

工作方式

草稿纸从来不是乱涂鸦。好学生的草稿遵循固定套路：先圈出题干关键词，再尝试几种解法，错了就划掉重来，最后在角落写一个醒目的小结。推理模型的草稿区，同样有着严密的组织方式。

这一切建立在自回归生成之上：模型逐字预测下一个token，每一步都“看着”前面已经生成的所有token。推理token也不例外——思考区的内容按照同样的概率链一路生成下去，逐步铺开一条内部思考链。

工程上，推理token通过三类机制协同工作：一是格式token，思考区边界使用专用标记token表示，让生成器与运行时都知道何时进入、何时退出草稿；二是链式结构，模型被训练成在思考区输出“先分析、再枚举、后验证”的段落，这些段落天然形成有向推理链；三是后处理截断，服务端在流式返回时过滤思考区内容，只把边界之后的可见token转发给调用方。

正如草稿的每一笔都源自前一笔，模型思考区的每个推理token都从上一步结论延展而来。这段看不见的链条越长，解题路径的覆盖面就越广；而考试结束时，草稿被收走，只有答题卡被留下。

P(x1,x2,…,xn)=∏i=1nP(xi∣x1,x2,…,xi−1)\displaystyle P(x_1, x_2, \ldots, x_n) = \prod_{i=1}^{n} P(x_i \mid x_1, x_2, \ldots, x_{i-1})
整串token（含草稿与答题）出现的概率，等于每个token在“看过前面所有草稿”之后的出现概率连乘起来。
  1. 联合概率 $P(x_1, x_2, \ldots, x_n)$一次生成整串token的整体概率，它把思考区和答题区当作同一个序列来建模。
    P(x1,x2,…,xn)P(x_1, x_2, \ldots, x_n)
  2. 连乘符号 $\prod_{i=1}^{n}$从第1个到第n个token，把每一步的条件概率依次相乘。
    ∏i=1n\prod_{i=1}^{n}
  3. 条件概率 $P(x_i \mid x_1, \ldots, x_{i-1})$已经生成前 i-1 个token后，第 i 个token出现的概率——每个推理token都在前一步“草稿”的基础上产生。
    P(xi∣x1,…,xi−1)P(x_i \mid x_1, \ldots, x_{i-1})

算力代价

草稿纸真的不收费吗？并非如此。多写一张草稿要多花十分钟，还可能在铃响前来不及誊写。对模型来说，推理token的每一笔，都是GPU真金白银地执行一次前向传播。

很多初次接触推理模型的人会惊喜于它的聪明，却在收到账单时惊讶：为什么回答这么慢、这么贵？答案就藏在草稿区——那些你永远看不到的隐藏token，不仅占用了计算单元，还占用了显存中的KV cache。

每生成一个token，无论可见与否，模型都要执行一次完整的前向传播，耗时与模型规模线性相关。推理token往往比可见token更耗资源：思考区长序列导致KV cache显著膨胀，解码需要的访存带宽也随之上升。因此成本核算通常区分计价：推理token单价高于普通token。延迟模型同样受token总数支配：固定开销加上每token延时乘以总token数。

所以，草稿区是“昂贵但值得”的投资：多打草稿能提分，但若每道选择题都写满两页草稿，考试必然来不及。同样，推理系统必须为“何时打草稿、打多少草稿”设下清晰的预算。

Ctotal=creasoning×Treasoning+cvisible×Tvisible\displaystyle C_{total} = c_{reasoning} \times T_{reasoning} + c_{visible} \times T_{visible}
一次请求的总算力成本，等于两类token各自的数量乘以单价再加总；推理token的单价往往定得更贵。
  1. 总成本 $C_{total}$一次请求在GPU上的整体算力成本，对应账单上的最终数字。
    CtotalC_{total}
  2. 单价差异$c_{reasoning}$ 与 $c_{visible}$ 分别是推理token和可见token的平均成本，通常推理token更贵。
    creasoning>cvisiblec_{reasoning} > c_{visible}
  3. 成本叠加两部分token数分别乘以其单价，再加总得到总消耗。
    creasoning×Treasoning+cvisible×Tvisiblec_{reasoning} \times T_{reasoning} + c_{visible} \times T_{visible}

能力收益

为什么顶尖学生坚持打草稿？因为把心算变成笔算，等于把易错题从“大脑内存”外接到纸上。推理token为模型提供的，正是这样一块能力外接的“外置内存”。

研究表明，模型在数学、代码、科学推理上的表现，并不完全由参数量决定：给定一个基础模型，给的“测试时计算量”越多，它解出的难题比例就越高。推理token，正是测试时计算量的货币单位。

o1系列通过强化学习训练出高效的思考策略：在草稿区执行问题分解、候选枚举、假设验证与回溯剪枝。这种“隐式慢思考”有三大收益：一是复杂任务正确率显著跃升；二是推理过程对用户不可见，规避了直接暴露思维链引发的提示注入与知识产权争议；三是能力可缩放——同样的模型权重，允许更多推理预算就能应对更难的问题。

草稿越写越多，解题能力确实在涨，但边际效果递减：从零到一行草稿提升最大，从三页到四页可能只是锦上添花。推理token让模型成为“会打草稿的学生”，而如何控制草稿的厚度，正是工程优化的核心命题。

A=Abase+βlog⁡(1+CreasoningC0)\displaystyle A = A_{base} + \beta \log\left(1 + \frac{C_{reasoning}}{C_0}\right)
能力增益随推理算力呈对数增长：开头提升极快，越往后越慢，这就是“边际收益递减”的数学画像。
  1. 基线能力 $A_{base}$不启用推理token时模型的基础正确率，相当于不写草稿裸答的成绩。
    AbaseA_{base}
  2. 对数增益 $\beta \log(\cdot)$收益随算力投入呈对数增长，前期的每一分算力都换来明显进步，后期则趋于平缓。
    βlog⁡(1+CreasoningC0)\beta \log\left(1 + \frac{C_{reasoning}}{C_0}\right)
  3. 归一化预算 $\frac{C_{reasoning}}{C_0}$推理算力相对基准值 $C_0$ 的倍数，用来衡量“草稿写了多厚”。
    CreasoningC0\frac{C_{reasoning}}{C_0}

工程权衡

聪明的学生都有一本“草稿使用手册”：口算能解的送分题不打草稿，压轴大题才动用整页草稿纸。推理系统同样需要一个调度大脑，决定每个请求该配多少推理预算。

如果所有请求都按最大推理token预算运行，成本和延迟都会失控。工程上需要按任务难度、用户等级、SLA要求进行路由：简单问答走轻量模型，复杂推理才进入“草稿模式”。

典型优化手段包括：一是推理预算设置，为不同请求分配不同的最大推理token数；二是自适应早停，当模型思考链收敛时提前截断；三是模型规模与预算的组合寻优——大模型少思考与小模型多思考可能成本相同，要找到正确率最高的组合；四是投机解码与缓存复用，让草稿区的高频推理步骤执行得更快。整体延迟服从线性模型：固定调度开销加上每token延迟乘以总token数。

草稿使用手册的最高境界，是把草稿控制在“刚好够用”：多一笔浪费，少一笔卡壳。推理系统的调度器也在寻找同样的平衡点——在算力预算、延迟SLA与解题成功率之间，走出最优路线。

Ltotal=Loverhead+τ×(Treasoning+Tvisible)\displaystyle L_{total} = L_{overhead} + \tau \times (T_{reasoning} + T_{visible})
用户感受到的响应时间，由固定开销加上“每生成一个token的耗时 × 总token数”构成——推理token越多，等待越久。
  1. 总延迟 $L_{total}$从用户发起请求到收到完整回答的墙钟时间，直接影响用户体验。
    LtotalL_{total}
  2. 固定开销 $L_{overhead}$网络传输、路由、调度等不可避免的固定延迟，与token数量无关。
    LoverheadL_{overhead}
  3. 每token延迟 $\tau$平均生成一个token所需的解码时间，乘上总token数（推理加可见）得到可变耗时。
    τ×(Treasoning+Tvisible)\tau \times (T_{reasoning} + T_{visible})

技术前景

当“打草稿”从个别学生的习惯变成考场标配，出题人、监考制度、阅卷流程都得重新设计。推理token机制一旦普及，整个AI技术栈都将被它撬动。

从产业视角看，推理token机制不是某个模型的私有技巧，而是一种新的计算范式：把“能不能答对”变成“愿不愿意花算力去答对”。这改变了软件的成本结构，也改变了硬件的需求曲线。

向下看，底层基础设施需要为超长思考链优化：KV cache管理、显存分层、集群调度、投机解码，都围绕“隐藏token的高效生成”重构。向上看，API设计要引入推理预算参数，流式协议要区分思考区与回答区，应用架构则出现推理预算管理平台、成本控制网关等新中间件。推理token机制带来技术栈重塑，也催生新的职业分工与商业机会。

从一张草稿纸开始，一场考试制度的变革正在发生：基础设施更贵、应用更智能、生态更复杂。推理token机制让AI从“快言快语的新手”进化为“深思熟虑的专家”——理解这张草稿纸的代价与价值，是每个AI从业者绕不开的功课。

U(T)=R(T)−λ×Cost(T)\displaystyle U(T) = R(T) - \lambda \times \text{Cost}(T)
系统的综合效用等于能力收益减去加权后的成本，存在一个让效用最大化的最优推理预算 $T^*$。
  1. 综合效用 $U(T)$给定推理预算 $T$ 时，系统整体的净收益（能力收益扣掉成本）。
    U(T)U(T)
  2. 收益函数 $R(T)$随推理token数增长而上升的能力收益，斜率逐渐变小。
    R(T)R(T)
  3. 成本惩罚 $\lambda \times \text{Cost}(T)$用系数 $\lambda$ 权衡成本权重，平衡后得到最优预算。
    λ×Cost(T)\lambda \times \text{Cost}(T)

AI 应用场景

数学与代码解题助手

阶段：模型推理与生成

解决的问题：传统对话模型面对竞赛数学、复杂代码题时会直接生成答案，错误率居高不下；o1类推理模型通过隐藏推理token在草稿区逐步推导，大幅提升正确率。用户不关心草稿过程，只想要正确答案。

具体案例：某在线教育平台接入推理模型提供“题目精讲服务”，每次请求平均产生约2000个隐藏推理token，回答正确率从41%提升到82%，平台按推理预算对用户分级计费。

智能体多步规划

阶段：Agent 决策与规划

解决的问题：Agent执行“订机票+订酒店+预约车辆”等多步任务时，需要内部规划；直接暴露规划过程会泄漏策略，还容易引发提示注入攻击。推理token让Agent在隐藏思考区完成规划，只下发最终行动清单。

具体案例：某企业服务Agent每次任务平均消耗约800个推理token做路线规划与异常预案，用户只看到最终执行的行动列表，敏感的内部探索路径被完全隔离。

推理成本优化平台

阶段：推理服务运维

解决的问题：大规模B2B场景下，无差别启用推理token会让账单暴涨。平台需要按任务难度路由推理预算：简单问题零预算，难题才给大预算。

具体案例：某云厂商推出“推理预算控制网关”，对FAQ类请求分配0个推理token，对复杂工单分配最多5000个推理token，整体推理成本下降47%，而客户满意度不降反升。

Python 演示

python63 行
# -*- coding: utf-8 -*-"""推理token机制最小演示：草稿区只算不答，最终答案才可见"""  class ReasoningModel:    """模拟带推理token机制的模型：思考token不下发，但消耗算力"""     def __init__(self):        self.hidden_tokens = []   # 草稿区隐藏token        self.visible_tokens = []  # 可见区输出token        self.gen_count = 0        # 已生成token总数（算力计数器）     def think(self, step_text):        """生成一个隐藏推理token：消耗算力，不展示给用户"""        self.gen_count += 1        self.hidden_tokens.append(step_text)     def speak(self, word):        """生成一个可见token：展示给用户的最终回答"""        self.gen_count += 1        self.visible_tokens.append(word)     def solve_apple(self):        """用隐藏思考链解应用题：3个苹果-1个+2个=4个"""        self.think("初始有3个")        self.think("给小红1个，剩2个")        self.think("又买2个，现在4个")        for word in ["现在", "有", "4个", "苹果"]:            self.speak(word)     def guess_without_reasoning(self):        """对照：不生成推理token，跳过草稿直接猜"""        for word in ["现在", "有", "2个", "苹果"]:            self.speak(word)  def compute_cost(model):    """核算算力消耗：推理token与可见token都要付费"""    hidden_cost = len(model.hidden_tokens) * 2.0   # 推理token更耗算力    visible_cost = len(model.visible_tokens) * 1.0    return hidden_cost + visible_cost, hidden_cost, visible_cost  def main():    good = ReasoningModel()    good.solve_apple()    total, hc, vc = compute_cost(good)    print("有推理token的模型：")    print("  可见输出：", "".join(good.visible_tokens))    print("  隐藏推理token：", len(good.hidden_tokens))    print("  算力消耗：", total, "(推理", hc, "+ 可见", vc, ")")     bad = ReasoningModel()    bad.guess_without_reasoning()    total2, hc2, vc2 = compute_cost(bad)    print("\n无推理token的对照模型：")    print("  可见输出：", "".join(bad.visible_tokens))    print("  隐藏推理token：", len(bad.hidden_tokens))    print("  算力消耗：", total2, "(推理", hc2, "+ 可见", vc2, ")")  if __name__ == "__main__":    main()
目的：用一个小型模拟器演示推理token机制——同一个应用题，带推理token的模型在“草稿区”写下三步推演后给出正确答案，不带推理token的模型直接猜错；两者都能对比出隐藏token带来的算力开销。
  1. def think(self, step_text):定义“打草稿”的接口，每次调用只记录一个推理token，不产生任何可见输出。
  2. self.hidden_tokens.append(step_text)把思考步骤写入草稿区列表，相当于模型内部生成了一个隐藏token。
  3. def solve_apple(self):带推理token的解题流程：先在草稿区写三步推演，再输出最终答案。
  4. for word in ["现在", "有", "4个", "苹果"]:可见token只在思考完毕后生成，用户只能读到这句最终回答。
  5. hidden_cost = len(model.hidden_tokens) * 2.0成本核算时给推理token定更高的单价，模拟思考区更耗算力的现实。
  6. good = ReasoningModel()创建一个带推理token机制的模型实例去解题。
  7. if __name__ == "__main__":脚本入口，让演示可直接运行并对比两种模式的成本与正确性。

常见误区

误区什么隐藏token，就是模型凑数用的废话吧？生成一堆看不见的字，删掉它们结果不也一样吗？

正解不是。推理token是经过强化学习训练出来的结构化思考步骤——分解、枚举、验证、回溯。删掉它们，模型在复杂任务上的正确率会大幅下跌。就像学霸的草稿纸：字迹潦草，但每一步都通向答案。推理token的价值体现在最终答案的正确性，而非token本身的措辞。

为何常见：因为用户看不到这些token的内容，且普通模型的token大多直接面向用户文本，很容易把“token“和”输出文本”划等号。

误区既然推理token能提升能力，那我无限加大预算，模型是不是就接近全知全能了？

正解不对。能力随推理算力呈对数增长，边际递减。推理token过多不仅拉高延迟与成本，还可能引发“过度思考”——简单问题被翻来覆去验证，甚至把正确的初稿改错。工程上要做预算路由与自适应早停，把token花在刀刃上。

为何常见：直觉上“投入越多产出越好”是典型的线性思维，忽略了资源约束与收益递减曲线。

误区用户只收到一小段回答，那么多隐藏计算是不是免费跑出来的？凭什么按大token数收费？

正解恰好相反。推理token在GPU上真实执行了完整的前向传播，占用了计算单元、显存与KV cache，单位成本往往还高于可见token。本质是服务商把思考成本计入了账单，而不是用户“免费薅到了算力”。

为何常见：因为用户在API响应里看不到思考过程，误以为“没见到的服务就是免费的”，忽略了算力账单的真实构成。

误区我给自己部署的开源模型加一句“请先思考再回答”的prompt，是不是就拥有了推理token机制？

正解不是。提示词只能诱导模型“用可见文本假装思考”；真正的推理token需要专门的训练流程——数据构造、强化学习奖励设计、格式token约定和服务端截断，缺一不可。提示词模仿不出o1的推理能力跃升。

为何常见：看到模型“输出思考过程”很容易误认为机制相同，混淆了文本层面的模仿与训练层面的机制。

面试题

Q1. 关于推理token，以下说法正确的是？

单选题 · easy

  • A.推理token会原样展示给用户
  • B.推理token在内部思考区生成← 正确答案
  • C.推理token不消耗任何算力
  • D.推理token是特殊的提示词

答案：B。推理token与普通token共享词表，但被标注为“仅内部使用”，在草稿区生成、服务端截断，不会展示给用户。就像草稿纸上的演算不会被老师批改。选项B正确；推理token消耗真实算力，选项C错误；它不是提示词，选项D错误。

Q2. 推理token机制的核心理念是？

单选题 · easy

  • A.让输出文本变得更有文采
  • B.用隐藏思考换取推理能力← 正确答案
  • C.压缩模型参数量以提速
  • D.将推理过程展示给用户

答案：B。推理token机制的精髓是把计算量前置到隐藏思考区，用不可见的草稿换取可见答案的质量，选项B正确。它不追求文采，不压缩参数，也不向用户展示推理过程，其余选项均不符合。

Q3. 相比普通token，推理token最主要的工程特点是？

单选题 · mid

  • A.词表内容完全不同
  • B.生成速度显著更快
  • C.服务端会截断隐藏不返回← 正确答案
  • D.不需要占用显存空间

答案：C。推理token在服务端会被后处理截断，只把思考区结束标记之后的可见token流式返回给用户，如同收卷时草稿被收走。其词表与普通token相同，生成速度不快反慢，且思考区会占用大量显存KV cache。

Q4. 推理token提供的“隐式慢思考”不包括以下哪项收益？

单选题 · mid

  • A.复杂任务正确率提升
  • B.过程隐私得到了保护
  • C.能力随预算灵活扩展
  • D.推理延迟大幅地下降← 正确答案

答案：D。“隐式慢思考”的三大收益是复杂度任务正确率提升、过程隐私保护、能力随预算可缩放。代价恰恰是延迟上升，所以“推理延迟大幅下降”不是收益，选项D当选。

Q5. o1类模型训练中，推理token的有效性主要依赖？

单选题 · mid

  • A.大规模预训练后的微调
  • B.强化学习训练思考策略← 正确答案
  • C.扩大模型词表规模
  • D.优化提示词书写技巧

答案：B。o1类模型通过强化学习训练出高效的内部思考策略：分解、枚举、验证、回溯。单纯的预训练微调、扩大词表或提示词技巧，都无法让模型长出“草稿区”，因此选项B正确。

Q6. 关于推理token的成本核算，正确的是？

单选题 · hard

  • A.与可见token成本完全相同
  • B.通常单价高于可见token← 正确答案
  • C.推理token免费但要排队
  • D.成本与token数量无关

答案：B。推理token在GPU上执行实打实的前向传播，思考区长序列使KV cache膨胀、访存开销更大，通常单价高于可见token。类比草稿纸更耗时间与墨水。成本严格跟随token数量，A、C、D均错误。

Q7. 推理token机制对AI技术栈最深远的影响是？

单选题 · extreme

  • A.彻底不需要GPU硬件支持
  • B.完全消灭软件中间件
  • C.重塑算力分配基础设施← 正确答案
  • D.让推理token完全免费化

答案：C。推理token把“算力预算”变成软件可调参数，深刻影响GPU集群调度、KV cache管理、推理中间件设计，是技术栈重构的驱动因素。硬件不会消失、中间件不会消失、token也不会免费，因此只有C正确。

Q8. 推理token机制的典型特征包括？（多选）

多选题 · mid

  • A.位于隐藏的思考区← 正确答案
  • B.消耗额外算力资源← 正确答案
  • C.提升复杂推理能力← 正确答案
  • D.直接展示给终端用户

答案：ABC。A、B、C都是推理token的典型特征：位于隐藏思考区、消耗额外算力、带来推理能力增益。D错误——推理token恰恰不会展示给终端用户，它像草稿纸一样在交卷时被收走。

Q9. 工程中控制推理token成本的常用手段有？（多选）

多选题 · hard

  • A.按难度分配推理预算← 正确答案
  • B.思考链收敛后提前截断← 正确答案
  • C.全面禁用KV缓存复用
  • D.简单任务走轻量模型← 正确答案

答案：ABD。控制成本的手段包括按难度路由预算、思考链收敛提前截断、简单任务走轻量模型。C选项“禁用KV缓存复用”只会推高显存与计算开销，是错误手段，不属于成本控制的常用做法。

Q10. 推理token机制带来的主要收益有？（多选）

多选题 · easy

  • A.复杂数学题正确率更高← 正确答案
  • B.推理过程不会暴露用户← 正确答案
  • C.模型回答延迟大幅下降
  • D.同等权重应对更难问题← 正确答案

答案：ABD。A、B、D是主要收益：正确率提升、过程隐私保护、能力可缩放。C错误——推理token增加了生成量，延迟只会上升不会下降，这就像打草稿多花时间，但能解出更难的题。