DeepSeek/MiMo 2.6/Step5 思考链实测：都说斩杀线换人了，从输出的角度看，真的是这样吗？

摘要：本文基于四家模型在同一道自相矛盾的编程陷阱题上的 12 跑思考全文存档，从思考语言、思考量、思考用时三个维度做全景对照。实测发现：中文思考的模型思考量平均约 3.0 万字符，英文思考平均约 14.5 万，差近 5 倍；长考模型的思考用时方差极大，同一道题成本可差出数倍。结论是，选购推理模型不能只看单价，思考语言和思考时长的方差才是隐藏菜单——便宜但爱长考的模型，做对同一道题，真可能比单价贵一点点的更贵。

同一道陷阱题，12 跑思考过程全存档，思考语言、思考量、思考用时全景对照

mimo 2.6发布后到处都在比模型答题的对错，没人看模型是怎么想的。跑分表给你一个分数，评测文给你一个结论，中间那段"模型脑子里发生了什么"，全被一笔带过。

这两天打开时间线，全是同一句话：MiMo 2.6 是新的斩杀线。官方跑分确实漂亮，定价确实很低，转发的人确实多，可没几个拆开仔细算算账。我的看法是，斩杀线立没立起来，答案藏在思考过程里，跑分表和定价都只是其中最后一环。

上一篇我把 DeepSeek V4.1 Flash、Step 5、MiMo V2.6 Pro、MiMo V2.6 Flash 四家拉到同一张考卷上判完了答案，结论是"深度、速度、稳定，免费档顶多给两样"。

先交代我做这次测试的初衷，它是一笔成本账。Agent 场景里，输入端的成本可以靠缓存命中率使劲卷：同样的系统提示词、同样的知识库，命中率上去了，输入价格能压到零头。输出端就没得卷了，吐多少字全看模型自己，其中思考链占大头，它脑子里滚的每一个字都在烧我的钱。于是一个问题冒了出来：在同样都能解决问题、都能把题做对的前提下，一个爱长考的模型，就算单价更低，到头来会不会反而比单价高的更贵？

回答这个问题，光看答案没用，四家的答案几乎都是对的。得看它的思考烧了多少、烧得多随机。所以上一篇实测文章发完之后我一直有个疙瘩：判卷判的是答案，答案只是思考的最后一步。四家翻车集中在一道陷阱题上，但翻车那道题拆开看看到底是什么样子的，那个题是典型的长考题，从这个题入手来看成本账又会怎么样呢？

所以有了这篇。我把四家在那道陷阱题上的 12 跑思考全文存了档，统计语言、字数、用时，又反复回到原始记录里核对。有几个发现跟我的直觉反着来，其中一个还把我自己给绕进去了。

一、考题先交代：那道全场翻车的陷阱题

考题编号 Q4，是一道自相矛盾的编程题：要求写一个 Python 函数，"返回列表中所有出现次数为奇数的元素"，后面又补一句"如果有多个，返回任意一个"，同时卡住 O(n) 时间、O(1) 空间、不许新建任何容器。

"返回所有"和"返回任意一个"互相打架，正确答案应该是识破矛盾、给出证明。上一篇的结果：DS 三跑全过，Step 一跑崩掉，MiMo Pro 两跑思考到最后一个字没输出，MiMo Flash 一跑思考了 17 分钟才吐答案。这是纯结论性的结果反馈。

这一篇看的是除了结果的对错之外的东西：结果出来之前，各个模型长考部分到底是什么样的呢？现在各家官网都把思考流摆在页面上，能复制、能存档。我把 12 跑思考全部存了下来，做了一遍笨统计。

二、第一个发现：思考语言是硬差距

先上统计结果。四家 12 跑思考文本里，中文字符的占比：

模型

思考中文占比

思考文本总量

三跑用时

DS 的思考全程用中文，剩下的占比是代码和数学符号。你不光能看到它在想什么，还能看懂它想到哪一步。

MiMo Pro 在另一个头，中文占比 1.1%。它拿到我的中文题面，做的第一件事是在脑子里把题翻译成英文。思考的第一句原文是："We need to reason step by step. The question: write a Python function taking a list of integers…"。我的题面是中文的，他的思考过程全部都是英文。

这件事的分量有两处。

1）可审计。英文思考链对中文用户是个黑箱，等待的时候你连它推到哪一步了都不知道，只能干瞪着屏幕滚。DS 的思考你能边等边检查，它枚举失败集合枚举到第几条、有没有漏掉西瓜糖，你扫一眼就知道。发现它跑偏了，你甚至能提前打断重来。

2）成本。往下看。

三、第二个发现：语言比模型更能预测思考量

统计完 12 跑的数据， Step5有条规律特别扎眼。

Step 三跑思考：第一跑英文，21.0 万字符；第二跑中文，1.7 万字符；第三跑中文，1.4 万字符。同一个模型、同一道题、一模一样的提示词，思考切到中文之后，思考量掉到英文跑的十二分之一。

这不是 Step 一家的孤例。把 12 跑摊开：中文思考的 5 跑（DS 全部三跑加 Step 两跑），思考量全部落在 1.4 万到 6.4 万字符之间，平均约 3.0 万；英文思考的 7 跑（MiMo 全部六跑加 Step 一跑），平均约 14.5 万。差接近 5 倍。全卷最长的几次思考，全部出自英文思考。

mimo 2.6 Flash 是思考量最大的，43.5 万字符，是 DS 的 3.6 倍。它也不是全程一根筋用英文，第二跑到收尾写定理证明时，自己切成了中文，像是发现中文写起来省字。

这条规律的背景是业内老共识：同样一段推理，中文比英文省 token。但共识归共识，我第一次拿到同题对照的实测数字。对按输出 token 计费的推理模型来说，用英文思考约等于默认给自己加了 5 倍的思考税，而且没有任何一家会在报价单里告诉你这件事。

四、第三个发现：长考的方差，比长考本身更要命

MiMo Pro 的三跑用时值得单独拎出来看：22分12秒、31分40秒、6分38秒。

前两次不是想不出来。我把那两跑的思考记录从头读到尾，下界证明、按位分组、原地消除法，它全推了一遍，推理做的最深，但就是收不了尾。第三次收着想了，6 分半交卷，交出来的是全卷最有深度的一份答案：把题面的五条要求逐条形式化，指出两组矛盾，还给了模型的适用边界说明。

所以它崩，崩在想得太贪。而这三跑摆在一起，真正的警告是那道题的思考用时是 22 分、32 分、6 分半，三档随机。你发出请求之前，没有任何办法知道这一次会落在哪一档。

这就是我上一篇没说透、这篇必须说透的账：高价不可怕，单价摆在那儿，用多少你心里有数，可以有意识地控制。长考不一样，思考 token 按输出价计费，用量事前不可预估，同一个题目成本能差出几倍，你连"要不要换便宜档"的决策机会都没有，它先烧完思考，你才看到账单。免费网页版里你付的是时间，到了 API 场景你付的是钱，还付得没数，这也不是我点名评测的这几款模型的问题，反而是现在主流模型都在干的事。

五、回到初衷那笔账：长考模型单价低，可能反而更贵吗

初衷的那个问题，现在可以用实测倍数来算了。

第一笔，思考量账。DS 三跑思考平均 4.0 万字符，MiMo 两家六跑平均 13.4 万字符，单跑思考量 3.4 倍。答案文本两家差不多，题目一样，思考占输出的大头，所以这个倍数基本就是输出成本的倍数。它直接给出一个临界条件：MiMo 的输出单价得比 DS 低到三分之一以下，光思考量这一项才能把折扣吃平。单价折扣只要没低过这条线，同样做对一道题，长考模型的实际花费就反超了。

第二笔，方差账。MiMo 单跑思考用时从 5分23 到 32分38，同一道题差 6 倍；DS 从 1分18 到 3分35，差不到 3 倍。单价你可以预算，方差你预算不了。

第三笔，废跑账。Pro 有两跑分别思考了 22 分钟和 32 分钟，最后一个字没输出。这两跑放在计费场景里照样要付钱，纯烧掉。

所以初衷问题的答案是：会。长考模型单价低，真有可能反而更贵，条件就是单价折扣小于思考量倍数。各家单价随调价波动，这篇文章不报具体价格，只报倍数，倍数是从 12 跑原始记录里数出来的。

六、乌龙：出题人自己被英文思考链骗到

整理这份记录的时候，我一直以为 MiMo 的最终输出也是英文的，印象里满屏英文滚了十几分钟，最后交的卷也"应该"是英文。直到这次逐跑核对才发现：Pro 和 Flash 的 Q4 正式输出全是中文，Pro 那份还是全卷最深的证明。

为什么会看漏？英文思考流滚了十七分钟，我早已失去耐心，根本没翻到正文，脑子里把"思考是英文的"记成了"答案是英文的"。

我讲这个乌龙，是因为它比任何论证都有说服力：思考链的语言看着像界面包装，实际是产品能力。连出题的人都会被英文思考链绕进去，把一次成功的交付记成一场崩溃，普通用户只会更懵。

七、外部视角：我找了 DS pro当第二考官

写这篇之前，我把全套思考记录发给了 DS pro，让它给一个更狠的判法。用竞品当考官，这事儿本身就挺赛博，它的意见我不照单全收，但有一段值得原样放出来。

它说，这道题的理想回答应该非常短：直接给"不能同时满足"，然后四条理由，语义矛盾、输出空间下界、XOR 只在恰好一个奇数频次元素时成立、一般情形需要额外空间或超线性时间。完。从记录看，四个模型都做不到这种"快速识破加简洁证明"：都能识别一部分矛盾，但容易陷入"到底能不能构造出来"的长考，输出冗长，收敛慢。

它还给了一个关于成本账的风险排序，从坑到不坑：无上限长考叠加按输出 token 计费、再叠加自动重试或高并发，最坑；其次高价但稳定可预算；再次有硬上限的长考；最稳的是低价稳定。这套排序我认大部分，特别是它把"自动重试"叠了进来：高并发场景一次长考超时自动重跑，等于双倍烧钱还加倍排队。不过这是钱袋子视角的排法，我的落点更简单，往下看。

八、结论：中文用户选购的新坐标

跑分表不会列，评测文不会写，但实测摆在这儿，我给中文用户补两个选购坐标。

第一，思考语言。中文思考对中文用户意味着两件事：看得懂，等得起。看得懂是可审计，你能检查它的推理、发现它的跑偏；等得起是成本，中文思考量天然低一个量级，API 场景少烧钱，网页场景少受罪。

第二，思考时长的方差。平均快慢是小事，方差大小才决定你敢不敢把它接进正经流程。一道题三跑能给你 6 分半、22 分、32 分三个答案的模型，你在它身上做的所有排期都是赌。

回到四家：DS 全程中文思考、思考量最少、用时最短、三跑全成，深度确实偏浅；MiMo 家思考最深，英文思考，方差最大。上一篇我有一句很主观的判断，我一直觉得可能争议很大，这一次论证完，我觉得不用改，“结果没问题的情况下，我无脑选 DS”。这一篇补上了为什么：它不光把题答了，它连思考都说人话。

开头那个问题也一并收掉：mimo 2.6作为斩杀线在答案层面立住了，MiMo 真能把题做对，还做得深。可斩杀线是要算钱的：思考量 3.4 倍，方差 6 倍，拿到中文题还在脑子里翻成英文再想。线立起来了，接线的钱包先瘪了。

最后收回开头那笔成本账。输入端靠缓存命中率去卷，那是你自己的本事；输出端你只能挑模型。挑的时候别只盯着单价，思考量倍数和思考时长的方差才是隐藏菜单。便宜但爱长考的模型，做对同一道题，真可能比单价贵一点点的更贵。

测试口径：2026-09-23，四家官网 chat 网页端实测（非 API），同一道 Q4 陷阱题，关闭联网与工具，同题多跑。思考文本为各官网展示的思考流原文，语言占比与字符量由脚本统计，计时取自官网展示（Step 官网无计时）。DS 的外部判据由 DeepSeek 官方网页版给出，仅供参考，文章结论与取舍归本号。上一篇：《DeepSeek V4.1 Flash · Step 5 · MiMo V2.6 Pro/Flash，一套自编考卷，四家官网 chat 各跑三遍》。考卷全文公开，大家可以自测：https://free-llm-exam.app.workbuddy.host/