推理强度对比:多思考要多花多少钱
提高推理强度值得吗?
通常值得,但要付出代价:最高档位的 Index 提升中位数为 7.5 分,成本中位数则是最低档位的 7.9 倍。
回报因模型而异。支出每翻一倍,GLM 5.3 提升最多,DeepSeek V4 Pro 最少,甚至不升反降。请从能达到你质量要求的最低档位开始。
- GLM 5.3+6.9
- Claude Fable 5.1+5.1
- Mistral Large 4+4.4
- Claude Sonnet 5.5+3.1
- Claude Opus 5.5+2.8
- GPT-6 Astra+2.5
- Claude Fable 5.2+2.4
- Claude Haiku 5.5+2.4
- GPT-6.1 Sol+2.2
- GPT-6.1 Terra+2.0
- GPT-6 Luna+1.9
- Grok 4.7+1.4
- DeepSeek V4 Pro−1.2
截至 2026年11月16日,在以多个推理强度测得的 13 个模型中,最高档位的成本中位数是最低档位的 7.9 倍,Index 提升中位数为 7.5 分;支出每翻一倍,GLM 5.3 提升最多(6.9 分),DeepSeek V4 Pro 最少(-1.2 分)。
推理强度(也称思考预算或推理等级,如 low、medium、high 等)决定模型在回答前推理多少。推理越多,输出 token 越多,因此分数和账单都会随之变化。BenchLeader 把每个档位当作独立的配置来排名,本页将它们并列比较。
大多数前沿模型都允许选择思考的深度,这个设置通常被当作质量旋钮来介绍。但它同时也是价格旋钮,而且两者并不同步。这里的每个数字都是 Artificial Analysis Intelligence Index 中一项平均任务在该档位下的成本,基于同一批工作按标价计费,因此长时间推理的模型要为此付出代价,而这是它的单 token 价格永远体现不出来的。
差距很大。支出每翻一倍,GLM 5.3 的 Index 提高 6.9 分,DeepSeek V4 Pro 则为 -1.2 分。把 DeepSeek V4 Pro 调到最高档,成本是其最便宜档位的 2 倍,分数反而下降 1.3 分。
13 个模型的各档位成本至少相差一倍 · 数据截至 2026年11月16日
GLM 5.3
每翻一倍 6.9 分 · 3.2 倍成本换 +11.5 分
Claude Fable 5.1
每翻一倍 5.1 分 · 2.9 倍成本换 +7.9 分
Mistral Large 4
每翻一倍 4.4 分 · 3.0 倍成本换 +7.0 分
Claude Sonnet 5.5
每翻一倍 3.1 分 · 20 倍成本换 +13.5 分
Claude Opus 5.5
每翻一倍 2.8 分 · 10 倍成本换 +9.5 分
GPT-6 Astra
每翻一倍 2.5 分 · 4.4 倍成本换 +5.3 分
Claude Fable 5.2
每翻一倍 2.4 分 · 8.6 倍成本换 +7.4 分
Claude Haiku 5.5
每翻一倍 2.4 分 · 9.4 倍成本换 +7.6 分
GPT-6.1 Sol
每翻一倍 2.2 分 · 7.9 倍成本换 +6.6 分
GPT-6.1 Terra
每翻一倍 2.0 分 · 13 倍成本换 +7.5 分
GPT-6 Luna
每翻一倍 1.9 分 · 30 倍成本换 +9.3 分
Grok 4.7
每翻一倍 1.4 分 · 2.7 倍成本换 +2.0 分
DeepSeek V4 Pro
每翻一倍 -1.2 分 · 2.1 倍成本换 -1.3 分
如何解读
“每翻一倍提升分数”是账单每翻一倍时 Index 提高的分数。这里的支出按倍数增长:每个档位的成本往往是上一档的若干倍,而不是多出固定金额,因此按翻倍计算的数字可以比较价格区间完全不同的模型。数字高说明值得调高档位;数字低则说明你在为没有体现在分数上的思考付费。
只有 Artificial Analysis 以多个档位运行过的模型才会出现,因为成本数据来自这些运行。这只是一家发布方在一套基准测试上使用的测试框架:如果某个模型擅长的推理工作与其不同,它在这里会显得比实际更差。
要在模型之间比较,效率图表把每个模型的各档位画在同一张 Index 对比每任务成本、时间或 token 数的图上,并标出各档位之间的差距和一次完整 Index 运行的成本;每任务耗时排行榜则按完成一项任务所需的时间排名。
常见问题
- 什么是推理强度?
- 推理模型上的一项设置(low、medium、high,部分模型还有 minimal、xhigh 或 max),用来控制模型在回答前思考多少。档位越高,用于推理的输出 token 越多,通常会提高分数,但一定会增加成本和等待时间。
- 提高推理强度会让模型更好吗?
- 通常会,但并非总是如此。截至 2026年11月16日,在以多个档位测得的 13 个模型中,最贵档位得分高于最便宜档位的有 12 个;Index 提升中位数为 7.5 分。
- 提高推理强度要多花多少钱?
- 截至 2026年11月16日,在本页测得的 13 个模型中,完成同一批工作,最贵档位的成本中位数是最便宜档位的 7.9 倍。单 token 价格不变,只是模型写出的 token 多得多。
- 应该用哪个推理强度?
- 从能达到你质量要求的最低档位开始,只有在确有可测量的帮助时才调高。在本页“每翻一倍提升分数”高的模型值得调高档位;数字低的模型则主要是让你为没有体现在分数上的思考买单。
引用格式:BenchLeader,《推理强度对比》,数据截至 2026年11月16日,https://www.benchleader.com/zh/effort。