Overthinking Bench:问「你好吗」,各家模型思考 token 消耗差出百倍

intellectronica · x · 2026-11-04

Peter Gostev 做了一个「Overthinking Bench」小测试:用「How are you?」「What's 2+2?」「地球是圆的还是平的?」等简单问题,在最低/最高思考档位各跑 5 次统计思考 token。结果显示各家差异悬殊:Grok 4.7 和 DeepSeek V4.1 Flash 在最低档也会输出 30-60 个思考 token;Claude Opus 5.5、Gemini 4 Argon、GPT-6 Astra 在最低档对寒暄和 2+2 都能零思考,但最高档下 Claude 对「地球是否是圆的」烧掉 1069 个思考 token,Gemini 花 662 个——简单事实问题也触发长链推理;Kimi K3.1 Pro 则低高档差距很小。