深度思考、结构化输出、Function Calling、Cache 缓存：TokenHub 模型四大核心能力

摘要：

深度思考、结构化输出、Function Calling、Cache 缓存是 TokenHub 语言模型规格表里反复出现的四项核心能力。本文逐一拆解四项能力的官方定义、典型用法与价值，并给出一张主流模型能力对照表，帮你按需选型。

一、为什么要先理解这四项能力

打开 TokenHub 模型规格表，每个语言模型后面都跟着一串能力标签。能力支持决定了模型能不能直接接上你的业务工作流，而不是简单看参数大小或上下文长度。

四项能力的官方定义各有侧重：

a. 深度思考：在生成最终回答前进行内部思维链推理，提升数学、逻辑推理、代码生成等复杂任务准确性

b. 结构化输出：按指定格式（如 JSON Schema）输出结构化数据，便于下游程序解析

c. Function Calling：根据用户意图自动识别并触发预定义工具或 API

d. Cache 缓存：复用历史请求中的上下文计算结果，减少重复计算开销

二、深度思考：让模型"先想再说"

2.1 工作机制

深度思考的本质是给模型一段"草稿空间"，让它在动笔写正式答案前先做一遍内部推理。这一步对人类来说是"想清楚"，对模型来说是隐式生成思维链 token。

2.2 适合场景

a. 数学题求解：尤其是多步骤、多变量的题目

b. 复杂逻辑判断：业务规则解析、条件分支梳理

c. 代码生成：需要先想清楚架构再落实到具体函数

d. 长流程规划：智能体执行多步任务前的策略制定

2.3 TokenHub 上支持深度思考的代表模型

Hy3 preview（交错式思考）、DeepSeek-V4-Pro、DeepSeek-V4-Flash、Deepseek-v3.2、Deepseek-v3.1、Deepseek-r1-0528、GLM-5.1、GLM-5V-Turbo、GLM-5-Turbo、GLM-5、Kimi-K2.6、Kimi-K2.5、MiniMax-M2.7、MiniMax-M2.5。

需要注意的是 Deepseek-v3-0324 与 Hunyuan-role 不在深度思考支持范围内。

三、结构化输出：让模型"按表填空"

3.1 工作机制

让模型按照你定义好的格式（最常见的是 JSON Schema）输出。模型不再返回一段自然语言段落，而是返回一份可被程序直接解析的结构化数据。

3.2 适合场景

a. 信息抽取：从一段非结构化文本里抽取关键字段

b. 表单填充：根据用户描述自动生成结构化表单

c. 报告生成：把分析结果按章节字段组织

d. 多智能体协作：上游智能体输出的内容直接喂给下游消费

3.3 价值

最大价值是把"自然语言到结构化数据"的转换收敛在模型一端，业务侧不再需要写脆弱的正则或解析器。模型每次返回的字段名、字段类型、嵌套结构都严格符合 Schema 约束。

3.4 TokenHub 上支持结构化输出的代表模型

Hy3 preview、DeepSeek-V4-Pro、DeepSeek-V4-Flash、Deepseek-v3.2、Deepseek-v3.1、Deepseek-r1-0528、GLM-5.1、GLM-5V-Turbo、GLM-5-Turbo、Kimi-K2.6、Kimi-K2.5。

四、Function Calling：让模型"会调工具"

4.1 工作机制

在请求里声明一组可调用的工具（函数）及其参数 Schema，模型读到用户输入后自行判断是否需要调用工具、调哪个工具、传什么参数。整体流程是"模型生成调用意图 → 业务侧执行调用 → 把结果回喂给模型 → 模型生成最终回答"。

4.2 适合场景

a. 智能体应用：让模型自主调用搜索、计算、数据库等工具

b. 多模态 / 多服务编排：根据用户意图分发到不同 API

c. 业务流程自动化：把企业内部 API 包成工具集供模型选用

d. RAG 问答：把检索器作为工具暴露给模型按需调用

4.3 价值

Function Calling 解决了大模型应用最难的一步：让模型在合适时机做合适的事。它把模型从"生成文字的引擎"升级为"理解意图并调度工具的大脑"。

4.4 TokenHub 上支持 Function Calling 的模型几乎覆盖全员

TokenHub 当前提供的所有主力语言模型——Hy3 preview、DeepSeek 全系（V4-Pro / V4-Flash / v3.2 / v3.1 / r1-0528 / v3-0324）、GLM 全系（5.1 / 5V-Turbo / 5-Turbo / 5）、Kimi-K2.6 / K2.5、MiniMax-M2.7 / M2.5——均支持 Function Calling。

五、Cache 缓存：让模型"省钱省时间"

5.1 工作机制

Cache 缓存复用历史请求中的上下文计算结果，减少重复计算开销。同一前缀（system prompt、共享知识、历史对话）只算一次，后续请求命中缓存就直接复用。

5.2 商业价值非常直接

缓存命中的输入 Token 价格通常为常规输入价的 1/4 ~ 1/10。在 TokenHub 价格表里，DeepSeek-V4-Pro 推理输入 12 元/百万 tokens，缓存命中只要 1 元/百万 tokens，差 12 倍。

5.3 配合两个字段使用

a. prompt_cache_key：请求体字段，赋值为 conversation_id

b. X-Session-ID：HTTP Header，把同一用户连续请求路由到同一推理实例

详细方法见 TokenHub 官方 Prompt Cache 命中率提升指南：https://cloud.tencent.com/document/product/1823/131410。

5.4 TokenHub 上支持 Cache 缓存的代表模型

Hy3 preview、DeepSeek-V4-Pro、DeepSeek-V4-Flash、GLM-5.1、GLM-5V-Turbo、GLM-5-Turbo、GLM-5、Kimi-K2.6、Kimi-K2.5、MiniMax-M2.7、MiniMax-M2.5。

六、四能力综合对照表

把官方规格表里的能力支持字段抽出来对齐，下面这张表可以帮你在 30 秒内做选型：

数据来源：TokenHub 产品规格 §7.1。

注：HY 2.0 Think、HY 2.0 Instruct 在 Token Plan 个人版套餐中将于 2026 年 6 月 10 日下线，因此本表不再列入主推。

七、按场景反查模型

7.1 智能体 / Agent 应用

深度思考 + 结构化输出 + Function Calling + Cache 缓存四能力齐备最理想。Hy3 preview、DeepSeek-V4-Pro、DeepSeek-V4-Flash、GLM-5.1、GLM-5V-Turbo、GLM-5-Turbo、Kimi-K2.6、Kimi-K2.5 均符合。

7.2 长文档处理

关键看上下文窗口与 Cache 缓存，DeepSeek-V4 系列（1M）、Hy3 preview（256k）、Kimi-K2 系列（256k）、GLM-5 系列（200k）都是合理选择。

7.3 高频固定模板调用

Cache 缓存是关键，越大越省。DeepSeek-V4-Pro 缓存命中价是常规输入价的 1/12，是高频调用场景的黄金选项。

7.4 角色扮演与情感陪聊

Hunyuan-role 专为该场景设计，能力差异化定位。不需要深度思考与结构化输出。

八、零成本验证

新人开通 TokenHub 即可领取覆盖几乎全部主力模型的免费体验包，从 Hy3 preview 100 万 Tokens 到 DeepSeek-V4-Pro / Flash 各 100 万 Tokens，到 GLM、Kimi、MiniMax 系列 50 万~100 万 Tokens 不等，有效期 90 天。一次性把四项能力在不同模型上跑一遍真实业务用例，是最务实的选型方法。

新人免费体验包详情：https://cloud.tencent.com/document/product/1823/130053。

结语

深度思考决定模型"想得清不清楚"，结构化输出决定能不能"接得上业务"，Function Calling 决定能不能"调得动工具"，Cache 缓存决定"用得起还是用不起"。把这四项能力作为选型的第一筛维度，比单看模型名称和参数量更有效。完整模型清单与能力支持详情请进入模型广场：https://cloud.tencent.com/product/tokenhub。