研究：LLM 最高推理档成本可达最低档 42 倍，还常解错低档能对的题
zainhas · x · 2026-10-29
一篇 arXiv 论文系统测了「推理努力档位」在专有与开源模型上的反事实效果，覆盖四类基准，包括单次推理与长程 agent 任务。核心结论：
- 高努力不保证稳定：提档虽在总体上可能抬升准确率，但经常在低努力档本可解对的题上失败——努力档不是单调改善。
- 简单任务上纯浪费：在所有档位都能解对的简单任务子集上，最高档花费可达最低档的 42 倍。
- 努力档改变解题行为：高努力档不只是多用 token，agent 会更多自查、更多靠搜索而非直接推演，解题轨迹本身都不同。
论文把推理努力定义为「信任品」（credence good）：用户付费买算力，但即便任务成功也无法判断多花的计算是否必要——这是用户选档的根本困境。
所属事件:实测最高推理档成本贵 42 倍且常无必要(4 条相关)→
「模型」频道最新
- Gemini 4 Carbon 登顶 AA 榜,多数基准超越 Opus 5.5 与 GPT-6 — Yuchenj_UW · 2026-10-29
- Reddit 转贴 Gemini 4 Carbon 发布消息与基准表 — Marimo188 · 2026-10-29
- 网传 Gemini 4 Carbon 评测表:AA Index 59 分,18 项中 14 项领跑 — Angaisb_ · 2026-10-29
- Hugging Face 员工转发 Gemini 4 Carbon 评测表 — osanseviero · 2026-10-29
- Google 官宣 Gemini 4 Carbon：登顶 AA Intelligence Index v5.0 — GeminiApp · 2026-10-29
- 谷歌发布 Gemini 4 Carbon：网络安全与长程任务全面 SOTA — rseroter · 2026-10-29