推理模型 API 显式指定高推理强度：成本上去了，准确率未必跟上来

来自 arXiv 的一篇预注册研究对「在 API 调用中显式指定高推理强度（reasoning effort）」这一做法提出了冷静的实证观察：在「Sonnet 5」上，显式高强度相比省略推理强度参数，每次调用平均多花约 0.01031 美元，但准确率差异在统计上未能确认。换言之，多付的钱未必买到可测量的能力提升。

研究设计：预注册、配对对照、单一任务

研究者采用「注册式配对对照」（registered paired contrast）方法，将同一模型在两种合同下进行对比：

• 合同一：显式声明高推理强度
• 合同二：省略推理强度参数

任务集为 AIME 2026 的 30 道题目，每题调用 5 次。每次付费调用被分配到一个冻结的终末类别，对推理过程中的样本重新抽样的同时保留重复调用。请求登记表、解析器、终末分类法、统计方案与分析流水线均在结果出炉前冻结，结论因此被严格限定在该模型、该任务与该采集日期内。

主要结果：成本差距显著，能力差距未能检测

• 每次调用平均成本差：+0.01031 美元，95% 置信区间 [+$0.00204, +$0.01974]，合同一更贵。
• 准确率差：+0.0133，置信区间 [−0.0267, +0.0467]，未检测到显著差异。
• 区间上限提示：设计无法排除高强度合同带来最高 4.67 个百分点的潜在增益。
• 预注册点估计下，每答对一道题的成本：高强度合同 0.08665 美元 vs 省略合同 0.07662 美元。

「省略」语义是模型特定的

研究者还做了一次「日期化合同普查」，结合 Models-API 元数据与预注册的原始响应探针，发现不同模型（甚至同一厂商内部）对于「省略推理强度参数」的处理方式并不一致：有的模型默认低强度，有的直接回落基础模式。这使得「不写 effort 参数」在不同 API 上并非等价操作。

局限与适用边界

作者明确将结论限定在：

• 单一模型（文中所示为 Sonnet 5）
• 单一任务集（AIME 2026，30 题）
• 单一采集时间窗口

若原始响应结构无法解析，相关声称为「文档级」而非「实证级」。对于希望管理推理预算的 API 采购方而言，这项研究提示了一个常被忽视的工程事实：推理强度参数的设置应被视为模型特定的合同条款，而非通用开关；在未经验证前，付费购买高强度未必等价于获得更高正确率。