8191 个 token 全在思考、正文为 0：DeepSeek 的 max_output_tokens 到底该设多少

一条看起来很怪的请求：HTTP 200，SSE 正常结束，等了 109.5 秒，正文却是空字符串。usage 里写着 output_tokens=8191、reasoning_tokens=8191，终止状态是incomplete，原因是 max_output_tokens。

这不是“模型没返回”，恰恰相反：模型已经把额度用完了，只是全用在隐藏思考。我们用 DeepSeek-V4-Flash-0731 官方 Responses 端点，把 8K、16K 和 32K 包络逐级跑了一遍。本文只讲这个工程问题； 小说质量、20 轮复读和角色卡结果在完整发布日评测里。

max_output_tokens 不是“正文最多写多少”

对 reasoning 模型，输出预算至少容纳两部分：隐藏 reasoning 和最终可见正文。DeepSeek 的Responses API在终局 usage 里分别报告总 output 和 reasoning 明细，但限制作用在两者合计上。

所以把 max_output_tokens 设成 8192，不代表“模型可以思考完再写 8192 tokens 正文”，而是“思考和正文一起最多 8192 左右”。high/max 的一次长推理完全可能在正文出现前撞线。

8K、16K、32K 的真实结果

这张表说明两件事。第一，32K 对普通高思考长篇很有价值：两档从 8K 的空正文变成连续 12 轮都有正文。第二，32K 不是“彻底修复”：复杂 max 写卡仍可能把 32767 全部花在 reasoning。 同一个 max 写卡在更早的一次 32K 请求中曾以 16617 output tokens 完成四卡；独立复测又失败， 说明推理用量具有明显采样波动。

effort 不是单调旋钮

很多人直觉上认为 max 一定比 high 想得久。本轮 32K 长篇恰好相反：high 12 轮 reasoning 合计 84322，首正文中位 89.5 秒、费用 0.02752 美元；max reasoning 合计 76972，首正文中位 43.5 秒、费用 0.02558 美元。max 仍会出现单轮 13232 reasoning，但整体没有单调变大。

effort 更像改变模型搜索策略的提示，不是固定 token 配额。不能拿档位名称直接预测账单、等待和质量， 更不能在 UI 上暗示“越高一定越好”。

Responses 与 Chat 应该怎么传

Responses 形态的关键字段是：

{
  "model": "deepseek-v4-flash",
  "reasoning": { "effort": "high" },
  "max_output_tokens": 32768,
  "stream": true,
  "input": [{ "role": "user", "content": "..." }]
}

OpenAI Chat 兼容入口通常使用 max_tokens或模型接受的max_completion_tokens，再由代理层统一转换。无论字段叫什么，计费预扣使用的额度必须和真正转发给上游的额度一致； 如果只按 8K 预扣、却把客户端的 100K 原样转发，就会产生正文已经给出、余额却补扣不回来的敞口。

为什么仍然要有限制

错的是所有模型统一锁死 8K，不是“存在上限”这件事。上限至少承担三项工作：限制最坏账单、让余额预扣可计算、 防止失控请求长时间占用连接。合理的处理顺序是：读取用户请求，按模型支持值与产品上限收敛，按收敛后的同一数字预扣并转发。

32K 是本轮对大窗口 DeepSeek 验证过的起点。none/low 通常用不到这么多，但“上限”不是“实际消费”；只要按实际 usage 结算，正常短回复不会因为上限变大而自动收满 32K 的钱。真正会变化的是预扣占用和输入上下文预留，因此小窗口模型仍需要显式较小配置。

生产兜底不要自动悄悄重试

检测到 reasoning-only 截断后，最诱人的做法是后台自动再发一次 64K。问题是第一笔 8K/32K reasoning 已经真实计费，第二笔又会重新推理；用户看到一段正文，却可能付了两次钱。更诚实的流程是：保留本次 usage，明确告诉用户正文尚未生成， 提供“降思考重试”或“提高上限重试”的显式选择。

Agent 还多一个独立边界：本轮 thinking=max + tool_choice=required 返回 400，tool_choice=auto 的两步工具链才正常完成。因此提高输出上限不能修复参数不兼容，两个问题要分开处理。

一张可执行的设置表

最后记住一句：32K 解决的是“给 reasoning 和正文更大的共同房间”，不是“让模型自动知道什么时候停止思考”。 参数只能解除工程截断，长度服从、事实连续性和模板化仍要靠任务拆分、提示词和质量检查。