速评：四天前挂上 arXiv 的 2611.06095，标题平平，结论比这个月绝大多数发布会都狠——把显式推理当成“永远开着总没错”的能力，本身就是一笔糊涂账。
先摆事实。Lukas Twist、Helen Yannakoudakis、Jie M. Zhang 三个人，挑了 7 个开放权重的显式推理模型，覆盖 6 种代码基准设置，输出预算统一固定成 32k token，然后去看这 32k 到底花在哪。结果：在若干模型与基准的组合上，超过一半的生成，等 32k 烧完了，模型还在“想”，一行代码都没吐出来。
这不是模型能力问题，是预算问题。而这个行业眼下的默认前提是：推理是免费的。
我盯着“超过一半”这四个字看了半天。这类论文最容易写成“某模型在某榜单上翻车”，但这篇真正的东西在于，它把“思考”变成了可以测量的消耗。32k 这个固定值不算大方，平时自己用谁管过这个数？可一旦把它钉死，结论就躲不开了：模型在推理阶段把输出预算烧光，pass@1 就等于一个按概率随机出现的零。写代码的模型连代码都没输出出来，你让我怎么给它打 pass？
归因也有意思。多数完全溢出跟重复的推理循环有关，这个大家能猜到，agent 卡在自我怀疑里转圈早不是新闻。真正卡住我的是后半句：也存在没形成循环、纯粹因为推理特别长，照样把预算耗光的情况。这句话直接堵死了“加个循环检测就能收工”的省事思路。你没法用模式匹配去抓一段“虽然没绕圈但就是很长”的思考，就像没法用 if 语句判断一个人是不是在认真想事情。
然后是这篇论文里我最想拎出来的那条：对容易溢出的模型，关掉推理反而有竞争力。
这话要是被产品经理看见，下半年的 roadmap 得重画一半。过去两年整个叙事是反过来的——思考越长越强，thinking budget 越大越高级，谁家默认不开深度思考，都显得不够上进。现在有人把数字摊开告诉你：在容易溢出的模型家族上，那个开关最该做的动作是关掉，至少保证有输出。
有输出的烂代码能 debug，没输出的一段完美推理只能留在日志里。
当然，论文没把话说死，我也不替它说死。较强的模型做较难的算法任务和代码理解任务，推理仍然有价值；函数级的简单任务上，溢出本来就少见。所以这不是“推理没用”，是“推理的收益高度依赖条件”——而“依赖条件”这四个字，恰好是所有宣传稿最不愿意写进去的部分。通稿爱的是“推理能力提升”，不爱“在 A 条件下有效，在 B 条件下不如关掉”。
至于怎么管，论文给了两条路。提示词引导能显著降低部分模型的溢出，但效果不稳定——不稳定就等于不能用。你今天调好的那套 prompt，明天换个模型家族就失效，这种方案只有写论文的时候好看，做到产品里就是给客服增加工单。真正能用的那条是带预算的转换机制：直接控制，还顺手把容易溢出模型的表现和 token 效率一起抬上去。
所以作者的结论其实很朴素：把显式推理当资源管理，别把它当一种能力供起来。
说到这我得承认一件事。几个月前我夸过某家把“深度思考”做成默认开启的操作，觉得那是对用户诚实——不藏着掖着，让你看见模型在思考。现在回头看，那更像把预算分配的活儿直接甩给了用户：开关是给了你，但你可能根本不知道它会吃掉多少输出预算。人是矛盾的，评论员也是，这条我认。
冷水也得泼：7 个模型、6 种基准设置，规模不大，而且限定在开放权重的显式推理模型上，闭源那些到底怎么分配预算，谁也不知道。这类论文的结论，能复现的那部分要等几周社区反馈，别当天就把图截下来当定论用。
这里立个 flag：半年之内，会有做 coding agent 的产品开始把“推理预算”做成显式可控的参数，而不是一个二值的“深度思考”开关。到那时候回头看 11 月 4 号这篇论文，它大概会被当成那个把话说破的起点。
现在全网还在比谁家 thinking token 上限更高。上限高是本事，能把上限花在该花的地方，才是产品。