术语slug: reasoning-effort

推理努力度

Reasoning Effort

控制模型在作答前投入思考预算的档位设置,直接影响分数与 token 消耗

收录情报动态

共 14 篇 · 第 1/2 页
Artificial Analysis (@ArtificialAnlys)T1·开发与工程
42 分
Artificial Analysis 上线推理强度筛选功能

AI 模型评测平台 Artificial Analysis 宣布在全站范围内支持按推理强度(reasoning effort)筛选与对比模型表现。用户可在各榜单图表中过滤推理档位,在首页切换模型最高推理档与 API 默认档,并在模型发布对比工具中跨档位比较分数。

Artificial Analysis (@ArtificialAnlys)T1·基座大模型
84 分
阿里发布 Qwen4 Max 智能指数跃升 9 分

阿里发布 Qwen4 Max,在 Artificial Analysis 智能指数上以 xhigh 推理档位取得 43 分,较 Qwen3.8 Max 提升 9 分,仅落后 Kimi K3.1 Pro 3 分。单任务成本降至 3.27 美元,约为前代的三分之一,并比 Kimi K3.1 Pro 低约 11%,主要来自每 token 降价 25%、缓存命中价格降 70% 以及输出 token 用量减少 39%。

AWS Machine Learning BlogT1·算力与基建
58 分
Bedrock 四项推理配置直接影响账单成本

AWS 官方博客指出,在提示词与应用逻辑调优之后,缓存时长、服务层级、推理强度与 maxTokens 这四项请求级配置仍会显著改变 Bedrock 的 token 处理量与计费费率。文章给出逐项测试方法,并说明如何通过响应元数据、日志与账单数据验证实际效果。

Simon Willison 博客T2·开发与工程
58 分
Anthropic 发布 Fable 5.2 与 Mythos 5.2 双模型

Anthropic 今日发布 Fable 5.2 与 Mythos 5.2 两款新模型,社区工具 llm-anthropic 已同步支持。实测显示模型提供 low 至 max 五档推理强度,xhigh 档生成的 SVG 质量最佳,而 max 档在消耗 12.8 万 token 思考后未能输出图像,暴露出与旧版相同的 token 耗尽缺陷。

Artificial Analysis (@ArtificialAnlys)T1·商业与生态
52 分
Opus 5.5 单任务成本对比出炉 苹果下调内部 AI 预算

Artificial Analysis 以 100 美元预算为标尺,对比了各模型在相同预算下可完成的任务量:Opus 5.5 在高推理强度下约可完成 40 个 Intelligence Index 任务,而 DeepSeek V4.1 Flash 与 GPT-6 Luna 在同一预算下分别约为 166 个和 2500 个,体现出前沿模型单任务推理成本的巨大差距。同一时间,苹果把工程师的 AI 使用额度从每天 300 美元下调至 200 美元,并计划进一步降至 100 美元,部分团队甚至降至 25 美元,说明企业侧正在把“单位任务成本”当作部署大模型的核心考核指标。这是一条供决策参考的观察数据,未披露具体的评测方法,也没有模型发布或能力升级。

Rohan Paul (@rohanpaul_ai)T2·智能体与协同
78 分
Karpathy 用 Claude Opus 5.5 两小时构建 HackerTube

Andrej Karpathy 利用 Claude Opus 5.5(Medium effort)在约两小时内扫描了 Hacker News 20 年的 4300 万条评论,筛选出 6454 个高频推荐视频并上线了名为 HackerTube 的网站。该案例展示了前沿大模型在自主数据清洗、长上下文处理及全栈应用快速构建方面的实际能力。

The DecoderT2·基座大模型
45 分
OpenAI 员工分享 GPT-6.1 系列模型选型经验法则

OpenAI 员工 Ted Sanders 解释了 GPT-6.1 系列(Terra/Astra/Sol/Luna)的命名逻辑与性能差异。他指出模型大小是主要变量,但新架构可让小模型超越旧大模型。他提供了基于价格敏感度的简单选型建议:追求质量选 Astra,平衡性价比选 Sol,极度敏感选 Terra 或 Luna。

Artificial Analysis (@ArtificialAnlys)T1·基座大模型
72 分
Claude Sonnet 5.5 登顶编码代理指数:Max 模式性能领先但 xhigh 性价比更优

Anthropic 的 Claude Sonnet 5.5 在 Artificial Analysis 编码代理指数中表现卓越,其中 max effort 模式以 68 分位居榜首。然而,xhigh 模式以不到四分之一的成本($3.33 vs $14.19)获得 63 分,提供了极具吸引力的性价比权衡。数据显示,max 模式通过增加 4.8 倍输出 token 和 3.4 倍交互轮次来提升性能,尤其在 Terminal-Bench 4.0 基准上提升显著。

AWS Machine Learning BlogT1·智能体与协同
68 分
Grok 4.7 上线 Amazon Bedrock:长程智能体推理强度实测与工具调用评估指南

SpaceXAI 的 Grok 4.7 模型正式登陆 Amazon Bedrock,主打长程任务处理与自我校验能力。文章通过构建基于工具调用的智能体,在故障诊断、约束调度等三类高难度搜索任务中,量化测试了不同“推理强度(Reasoning Effort)”设置下的表现。实验显示该模型在复杂多步推理中具备显著优势,并提供了针对智能体工作负载的评估方法论与最佳实践建议。

Hacker News AIT2·智能体与协同
42 分
GPT-6 Astra 突破 Kindle 安全限制:智能体绕过防护实现自定义应用部署与越狱实验

用户利用 GPT-6 Astra 智能体成功绕过亚马逊 Kindle 的安全限制,实现了自定义照片幻灯片应用的安装与控制。此前尝试的 GPT-5.6 Sol 因代码错误失败,而 Anthropic 的 Fable 5.1 和 Opus 5.5 则被内置的网络安全护栏拦截。该案例展示了不同大模型在涉及设备底层修改任务时的能力差异与安全策略执行效果。