先判断值不值得想，
再决定如何分配计算。

Apple 作者页与 ICLR 正式摘要的概括数字不同；主表和部分附录使用的平均任务集合也不同。此页采用正式论文集 PDF 的单项任务结果，不把不同版本的最优数字拼接。

主表和种子列表支持三次试验；正文有一处写成四次。主表未给置信区间，因此小幅准确率变化不能自动称为统计显著。thinking tokens 也不是全部 token、总 FLOPs 或线上费用。

1. 固定模型 revision、模板、隐藏状态提取点；独立划分校准、开发与测试集。
2. 比较 always-think、always-nonthink、固定预算、训练过的路由器；用开发集调阈值。
3. 记录快答误判、困难题正确率、thinking/answer token、端到端延迟与 p95；单独报告离线校准成本。
4. 先画质量—成本曲线，再尝试边际收益预测、过程早停或 OPD 后重校准。改变一个变量，保留可信基线。

具体范围：gpt-6.1-sol；GPT-5.4 / GPT-5.5 仅作官方 interleaved thinking 文档的明确例子

公开行为

• reasoning.effort 给模型思考程度的指导；官方说明各 effort 下仍会按任务难度自适应，简单任务用较少推理 token，复杂任务投入更多。
• GPT-5.6 和 GPT-6 的 standard/pro 执行模式与 effort 是独立维度；pro 会投入更多模型工作，不能直接等同单条思维链变长。

控制接口与预算

• gpt-6.1-sol：low、medium（默认）、high、xhigh、max；不支持 none/minimal。
• max_output_tokens 限制总生成量，包含隐藏推理、可见回答和格式 token；达到上限可能 incomplete，甚至还没有可见答案。
• GPT-6 标准单 agent 模式支持跨回复更改 effort；这是调用方的显式调整，不能称为模型自己学到的跨轮路由。

需要保留的区别

• 推理 token 不直接可见，但会占上下文并计费；返回的 reasoning summary 不能当完整原始 CoT。
• 官方以 GPT-5.4/5.5 为例明确支持可见输出、思考与工具调用交错；工具返回后可以继续思考。

公开证据的边界

• 这些文档未披露自适应长度的训练目标、奖励函数、难度估计器、停止策略、搜索树或每档固定计算预算。
• effort 是公开行为控制，不能据此断言采用某篇 adaptive-thinking 论文的方法；pro 的内部工作组合也未由此页面完整披露。

研究启发（推论）

• 研究启发（推论）：固定模型与 effort 后，仍应测量不同难度下的计算分配；effort 与实际 token 消耗是不同变量。
• 面试比较要同时报告质量、推理 token、可见输出 token、延迟、工具调用和截断率；不要用回答篇幅代替思考量。

具体范围：gpt-6.1-sol；gpt-6-astra；gpt-6-luna；实际可用性依计划、客户端与 rollout

公开行为

• 当前 ChatGPT Learn 明确记录：用户在模型/推理控件中选择模型与 effort；Power 预设可同时改变所选模型和 effort。
• Max 增加所选模型的思考投入；Ultra 会使用 subagents 并行分解任务，属于编排层变化。

控制接口与预算

• Light/Medium/High/Extra High 等产品档位必须绑定具体模型理解，代际间不保证等价。
• Advanced 可分别选择模型、effort 与 speed；不能把一个 UI 滑块视为单一推理长度旋钮。
• GPT-6.1 Sol、GPT-6 Sol 与 GPT-6 Luna 在该文档中限定为 Work/Codex，不能泛化到 Chat。

需要保留的区别

• 用户控制、模型自身的动态长度分配、并行 agent 编排属于不同层次。

公开证据的边界

• 本次许可域内已打开的当前文档未建立 Chat 模式是否仍采用早期 GPT-5 式快/慢模型自动路由；未核实不等于不存在。
• 文档中的产品档位不是训练架构证据，不能由 Ultra 或 Power 名称推断 CoT、RL 或 router 算法。

研究启发（推论）

• 研究启发（推论）：先分清 model routing、effort conditioning 和 agent orchestration，再谈计算量自适应。
• 面试可说：自动选模型解决选谁，模型动态思考解决已选模型投入多少；两者可以并存但不能混称。该概念区分不代表当前 Chat 已证实存在某种 router。

具体范围：claude-opus-5-5；claude-sonnet-5-5；claude-haiku-5-5；Claude Opus/Sonnet 4.6 作为兼容性对照

公开行为

• adaptive thinking 允许模型逐请求决定是否需要显式思考块以及思考深度；effort 是主要行为信号，也可受提示引导。
• 自动与工具使用交错：模型可以在工具结果之后继续思考，无需另加 interleaved beta 配置。
• 开启 adaptive 模式与每次一定产生思考块不同；低 effort 的简单输入可跳过思考。

控制接口与预算

• Opus 5.5、Sonnet 5.5、Haiku 5.5 均支持 low/medium/high/xhigh/max；Opus/Haiku 5.5 默认 medium，Sonnet 5.5 默认 high。
• Opus 5.5 不能关闭 adaptive；Sonnet 5.5 在 high 及以下可用 between_tools 关掉开头思考；Haiku 5.5 在 high 及以下可 disabled。勿泛化全家族。
• effort 影响整条输出，包括思考、回答和工具调用，不是仅限制思考 token。
• max_tokens 是每请求思考加回答的硬上限；effort 不保证 token 数，也不限制整个多请求工具循环的总成本。

需要保留的区别

• Opus/Sonnet 4.6 支持但弃用旧 enabled+budget_tokens；其 adaptive 需显式开启。5.5 各型号默认启用 adaptive，旧手动预算模式不受支持。
• 公开 thinking 文本为摘要；display 是否展示不改变已经生成的推理 token 计费。

公开证据的边界

• 官方行为文档未披露做出 think/skip/stop 决策所用的训练数据、奖励或实现算法。
• 不能把默认启用 adaptive 理解成每个请求强制生成固定长度的 CoT；也不能把相同 effort 名称当跨模型等算力。

研究启发（推论）

• 研究启发（推论）：把是否思考、思考多深、是否调用工具拆成可观测维度；关注模型能否把算力从容易样本转给困难样本。
• 后训练面试切入：effort 条件化策略与长度惩罚是否会伤害困难样本，需通过分难度质量—成本曲线回答，而非用省 token 总量回答。

具体范围：gemini-4-argon；gemini-3.8-flash；gemini-3.1-pro-preview；Gemini 2.5 Pro / Flash（Legacy GenerateContent 对照）

公开行为

• 官方说明 dynamic thinking 根据请求复杂度调整推理投入；level 控制思考倾向/相对额度，不是每次固定生成数。
• API 面需区分：当前 Interactions 用 thinking_level；Legacy GenerateContent 用 thinkingLevel，Gemini 2.5 在该旧 API 面使用 thinkingBudget。

控制接口与预算

• 当前表中 Gemini 4 Argon 与 3.8 Flash 为 low/medium/high、默认 medium；3.1 Pro Preview 默认 high。不能用旧 Gemini 3 总述泛化新型号默认值。
• Legacy GenerateContent 的 Gemini 2.5 Pro/Flash 默认 dynamic，thinkingBudget=-1；Flash 可用 0 关闭，Pro 不可。2.5 Flash-Lite 默认不思考。
• 该旧数值 budget 是指导值，官方明确可能超出或低于；Gemini 4 中已弃用且映射至最近 level。
• max_output_tokens 是基础设施执行的总生成硬截断，含思考；设小会导致截断/空输出，不能替代降低 thinking level。

需要保留的区别

• Gemini 3 文档明确 level 是相对思考额度；minimal 也不保证完全没有思考。
• thought signatures 保存加密推理状态，供多轮/工具流程保持连续性；摘要和签名不等于可见完整原始推理。
• 工具结果可进入后续推理；本次未将其直接断言为与其他厂家完全相同的交错实现。

公开证据的边界

• 文档未说明动态分配的训练奖励、在线难度估计、停止器或搜索实现。
• 不能把 level、旧 thinkingBudget 与硬输出上限混为同一种 budget；也不能把当前 Interactions 与 Legacy GenerateContent 的字段/默认值混写。
• 这些是 API 文档结论，不能据此断言 Gemini 消费者 App 的 UI 自动选择策略。

研究启发（推论）

• 研究启发（推论）：控制预算前必须明确是条件化目标还是强制截断；两者会造成不同的质量损失和未完成率。
• 评测除平均成本外，要按题目难度检查是否过度/不足思考，并记录是否在产生最终答案前耗尽硬上限。

当前 Thinking Mode 指南及 Responses API；指南示例 deepseek-flash

控制接口

Chat Completions 用 thinking.type 开关和 reasoning_effort；Responses 用 reasoning.effort=none/low/high/max。

预算语义

effort 是档位；max_output_tokens 才是包含推理和最终答案的输出上限。兼容档位可能映射到同一实际档位。

公开行为

支持同一接口切换思考模式与强度。默认启用思考，指南默认 effort 为 high；这不能证明每个请求都有独立的难度路由器。

多轮与工具上下文

工具请求要回传历史 reasoning_content；普通无工具对话则不会拼接历史思考。轨迹保留规则与思考强度是不同问题。

公开证据的边界

接口没有公开足以复现当前模型路由器、停止策略或 CoT 数据配方的细节。

研究启发（推论）

测评应记录实际映射后的档位、工具上下文和输出上限，避免以为不同参数名一定产生不同计算量。

官方文档更新于 2026-10-11；qwen3.8-max、qwen3.8-flash 等支持的混合思考型号

控制接口

enable_thinking 控制是否思考；thinking_budget 控制思考 token 上限。型号的默认值和支持能力须分别检查。

预算语义

文档将 thinking_budget 描述为上限，到达后转入答案生成；不能把它当作模型自动找到最优预算的证据。

公开行为

对支持的混合模式型号，服务提供模式与预算控制。思考专用型号和混合型号不能混为一谈。

多轮与工具上下文

部分型号的 preserve_thinking 可读取客户端回传的历史思考，并计入新一轮输入；这是上下文复用。

公开证据的边界

这些产品参数没有披露当前型号的完整训练方法；不能从旧版 Qwen3 报告反推 Qwen3.8 的数据与算法。

研究启发（推论）

将是否思考、思考长度与历史轨迹保留拆成三个实验因素；分别记录答案质量、延迟和上下文成本。