模型“回”了但内容是空的 / 只蹦出几个字就断（思考模型）

调用没报错、状态码正常，但返回的正文是空的，或只蹦出「Based」这种一两个字就断了。尤其发生在思考/推理型模型上（Qwen3 的 -thinking 变体、DeepSeek-R1 类、任何会先写思考块再答的模型）：reasoning / thinking / reasoning_content 字段里一大段思考，正文却是空的。重试时好时坏——短问题正常、一换长一点的题就空。

思考模型在给出可见答案前，会先生成一段隐藏的推理（reasoning）。关键在于：这段推理和正文**共用同一份输出 token 预算**（llama.cpp 的 n_predict、Ollama 的 num_predict、OpenAI 兼容端点的 max_tokens），而模型不会给正文留余量。推理一旦把预算吃光，生成就在第一个可见字之前停了。响应本身格式完好、也算“成功”（HTTP 200、无 error），所以很容易被当成“模型坏了 / 不肯回答”。其实有三种状态：① 空（推理吃掉 100% 预算，一个字都没剩下）② 截断（答案开了头被切半）③ 完整（finish_reason=stop）——只有②看起来像“正常但不对劲”，①最容易被误判为故障。

1. 先把输出预算抬到思考模型“想完再说话”够用：思考模型 max_tokens / num_predict 至少给到 2048，复杂推理 4096 起。参照系：llama.cpp 官方讨论里一台本地 RTX 3000 实测，问「2+2」光内部思考就烧掉约 420 token，可见答案只有 “four” 一个词——预算卡在 50 必然空。
2. 不需要深度思考的场景，直接关思考（省 token、省时间）：llama.cpp 用 --reasoning-budget 给思考单独封顶（用完强制收尾、正文照常出，不会把正文截断）；Ollama 用**原生 /api/chat 顶层参数** `think:false` 关闭。
3. 注意 Ollama 的 OpenAI 兼容端点 /v1 会**忽略** think 参数（0.30 起 `reasoning_effort:"none"` 才生效）——这是最坑的一个不对称：同一个模型走 /api/chat 能关思考，走 /v1 关不掉、照样烧预算出空回复。你的客户端如果强制走 /v1，就发 `reasoning_effort:"none"`。
4. 别把空回复当成“模型的回答”：代码里判 `finish_reason=="length" && content 为空` 时，去读 reasoning_content / thinking 字段。预算被思考吃光时，思考是满的、答案是空的——读那个字段一眼就能看出这是预算问题、不是配置或权重坏了，也就不会去瞎改量化/模板。
5. 别用一个全局 max_tokens 默认值同时伺候思考模型和普通模型：一个够思考模型想完还答的预算，喂普通模型是浪费；一个贴普通模型的预算，留思考模型一句都说不出来。按模型分开设默认值。

同一条“问 2+2”，把 max_tokens 从触发空回复的小值抬到 2048/4096（或用上面方法关掉思考）后重跑：正文有内容、finish_reason 变成 stop，且「思考字段长度 + 正文长度」不再逼近预算上限。