很多模型都提供“推理强度”档位，用户得在不知道多思考有没有用的情况下先选。作者把任务集、提示和智能体外壳固定，只改强度档位，在 8 个闭源和开源模型、4 个基准（AIME 2026、GPQA Diamond、Terminal-Bench 2.1、SWE-Bench Pro）上逐档记录成败、词元用量和花费，衡量每一档的反事实效果。
点赞 11 · 代码星数 39
理由
- 高强度不是低强度的超集：总体准确率可能更高，但经常把低档已经做对的题做错。
- 简单题上严重超支：在所有档位都能解的任务上，最高档的花费最多是最低档的 42 倍（作者称）。
- 强度改变智能体的做事方式：高档位更频繁地自我验证、更常去搜现成答案而不是直接解题，轨迹变长但结果不一定变。
- 给出可直接照做的策略：从最低档开始、只在验证失败后升档，在所有模型和基准上持平或优于固定最高档，对多数闭源模型还更便宜。
用法
- 最直接的用法不用跑代码：给自己的智能体或 API 调用改成“低档起步、验证失败再升档”。
- 代码：github.com/KaiserWhoLearns/ReasoningEffortLLM（MIT），Python 3.10；各模型的档位定义在 common/models.py、价格在 common/pricing.py，routing/ 里有自选档位和逐级升档的计算。
- 已有运行结果时 ./make_paper_artifacts.sh 离线重建全部图表，不调用 API；新跑实验需要 OpenAI / Anthropic / Together 的 API Key 和 Docker，每个脚本都有 --dry-run 或 --limit。
风险
- README 称按论文设置全量复现，基准推理约 7,500 美元、行为标注约 3,900 美元。
- SWE-Bench Pro 只用了 44 个实例的子集，Terminal-Bench 每题只跑一次；结论绑定于这 8 个模型各自的档位定义和当时价格，换模型要重测。
- “升档更省钱”只对多数闭源模型成立，不是全部。