BenchLeader

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。

支出每翻一倍的 Index 提升分数从最低档到最高档,13 个模型

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

low:每项任务 $1.57,Index 47.3low $1.57max:每项任务 $5.01,Index 58.8max $5.01

Claude Fable 5.1

每翻一倍 5.1 分 · 2.9 倍成本换 +7.9 分

low:每项任务 $4.47,Index 58.8low $4.47medium:每项任务 $5.56,Index 61.7high:每项任务 $7.54,Index 63.7xhigh:每项任务 $10.85,Index 64.6max:每项任务 $12.99,Index 66.7max $12.99

Mistral Large 4

每翻一倍 4.4 分 · 3.0 倍成本换 +7.0 分

medium:每项任务 $1.41,Index 45.9medium $1.41high:每项任务 $2.06,Index 48.3默认:每项任务 $4.21,Index 52.9默认 $4.21

Claude Sonnet 5.5

每翻一倍 3.1 分 · 20 倍成本换 +13.5 分

low:每项任务 $0.511,Index 50.7low $0.511medium:每项任务 $0.781,Index 50.6high:每项任务 $1.64,Index 59.5xhigh:每项任务 $4.09,Index 62.5max:每项任务 $10.02,Index 64.2max $10.02

Claude Opus 5.5

每翻一倍 2.8 分 · 10 倍成本换 +9.5 分

low:每项任务 $0.976,Index 58.9low $0.976medium:每项任务 $2.45,Index 61.2high:每项任务 $3.46,Index 66.0xhigh:每项任务 $6.05,Index 65.4max:每项任务 $10.04,Index 68.4max $10.04

GPT-6 Astra

每翻一倍 2.5 分 · 4.4 倍成本换 +5.3 分

low:每项任务 $1.42,Index 62.0low $1.42medium:每项任务 $2.73,Index 64.4high:每项任务 $3.24,Index 66.3xhigh:每项任务 $3.66,Index 66.0max:每项任务 $6.24,Index 67.3max $6.24

Claude Fable 5.2

每翻一倍 2.4 分 · 8.6 倍成本换 +7.4 分

low:每项任务 $3.10,Index 65.3low $3.10medium:每项任务 $3.80,Index 66.3high:每项任务 $9.08,Index 68.4xhigh:每项任务 $14.83,Index 69.7max:每项任务 $26.54,Index 72.7max $26.54

Claude Haiku 5.5

每翻一倍 2.4 分 · 9.4 倍成本换 +7.6 分

low:每项任务 $0.044,Index 47.7low $0.044medium:每项任务 $0.092,Index 50.1high:每项任务 $0.159,Index 55.3xhigh:每项任务 $0.248,Index 56.7max:每项任务 $0.411,Index 55.3max $0.411

GPT-6.1 Sol

每翻一倍 2.2 分 · 7.9 倍成本换 +6.6 分

low:每项任务 $0.161,Index 60.0low $0.161medium:每项任务 $0.359,Index 62.7high:每项任务 $0.591,Index 63.4xhigh:每项任务 $0.764,Index 63.6max:每项任务 $1.27,Index 66.6max $1.27

GPT-6.1 Terra

每翻一倍 2.0 分 · 13 倍成本换 +7.5 分

low:每项任务 $0.071,Index 56.6low $0.071medium:每项任务 $0.169,Index 58.5无推理:每项任务 $0.226,Index 51.8high:每项任务 $0.259,Index 59.6xhigh:每项任务 $0.401,Index 60.0max:每项任务 $0.961,Index 64.1max $0.961

GPT-6 Luna

每翻一倍 1.9 分 · 30 倍成本换 +9.3 分

low:每项任务 $0.005,Index 45.8low $0.01medium:每项任务 $0.042,Index 49.6无推理:每项任务 $0.071,Index 40.0high:每项任务 $0.073,Index 51.1xhigh:每项任务 $0.104,Index 52.0max:每项任务 $0.152,Index 55.1max $0.152

Grok 4.7

每翻一倍 1.4 分 · 2.7 倍成本换 +2.0 分

low:每项任务 $2.92,Index 55.4low $2.92high:每项任务 $6.18,Index 56.9xhigh:每项任务 $7.77,Index 57.4xhigh $7.77

DeepSeek V4 Pro

每翻一倍 -1.2 分 · 2.1 倍成本换 -1.3 分

high:每项任务 $0.849,Index 56.0high $0.849无推理:每项任务 $0.977,Index 42.2max:每项任务 $1.77,Index 54.7max $1.77

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。