大家最近都在疯狂使用codex， GPT-5.6 那六档强度（Light/Medium/High/Max/Ultra），还有5.6sol等模型是怎么实现的？
其实每个强度档位背后，都有训练阶段配好的长度惩罚和上下文窗口（根据gpt oss推测）。
[一R]DeepSeek V4
- 三个推理专家：Non-think / Think High / Think Max
- 每个专家用不同上下文窗口和长度惩罚分别训练
- 通过在线蒸馏合并成统一检查点
- Think Max 特殊系统指令："Reasoning Effort: Absolute maximum"
[二R]Nemotron 3 Ultra (NVIDIA)
- 三种模式：reasoning-off / regular / medium-effort
- 教师生成的 SFT 数据 + 随机预算截断训练
- RLVR 中约 2.5% 样本使用 medium-effort
- 支持推理时硬性预算限制
[三R]Kimi K2.5 (Moonshot)
- Toggle 方法：交替进行有预算和无约束 RL 阶段
- Token 减少 25-30%，性能几乎不变
- 根据正确 rollout 长度百分位数估算预算
- 准确率超阈值后才激活预算约束
[五R]GLM-5 (智谱)
- 轮次级思考：每个对话请求单独启用/禁用推理
- 交错思考：每次回复和工具调用前插入推理块
- 保留思考：跨轮次保留推理块供复用
- 通过多任务 SFT + 序列化 RL 实现
[五R]Qwen3 (阿里)
- 思考模式融合：SFT 混合 /think 和 /no_think 样本
- 硬性思考预算：推理时可截断推理跨度
- 部分推理行为在训练后自然涌现
- 通用 RL 强化格式遵循
[六R]Inkling (Thinking Machine Labs)
- 连续强度值：0.0-1.0 之间的数值（不是离散档位）
- 强度写入系统消息
- RL 阶段按强度调整 token 长度惩罚
- 超过 3000 万次异步 RL rollout
共同规律：
推理强度 = 训练阶段学会不同策略 + 模板/系统消息选择模式 + 推理预算约束计算量。
所有细节看看提到的tech report。
