先说结论：TPCTC 那篇《The Reasoning Tax》我刷了两遍，随手拆了拆它的实验设计。值得存，但别拿它当免检通行证。
论文本身的判断倒是干脆：推理模式不值得默认开。得分任务，看努力水平，还得盯部署环境。通稿天天喊「让模型多想想」——对某些任务，这句话的另一种说法就是让 token 打水漂。
它给了个叫 Token Economy Score 的玩意儿。别被名字唬住。思路朴素得很：把准确率的涨幅，除以多烧掉的内部 thinking token，看每多付一倍代价，换回来几个点。一个边际账。专治「让 AI 多想一步」这种口号。
官方说：这玩意儿反直觉的结果不少。实测：确实。
AIME 2025 那种实打实的数学推理链，多花钱真能多办事，账算下来漂亮。结果翻到 MMLU-Pro——名义难度高、覆盖几十个学科，当年各家模型打得头破血流的地方——推理经济性低得可怜。砸进去一堆思考 token，准确率纹丝不动。
仔细一想答案明摆着：这基准强在知识调用，不在推理链。模型已经记住的东西，你让它反复琢磨半天，还是那个答案。甚至有琢磨歪的风险。论文里有句话我印象很深——知识回忆类任务，推理模式纯粹是买了个心理安慰。
但我不打算把它捧到天上去。这类论文的毛病跟模型发布会一样，看的时候得先把滤镜摘了。
那个公式的适用面窄。要到带推理开关、同家族能直接关掉推理做对照的那种模型，才能按标准姿势算。开源模型还好办。闭源前沿模型，API 一调，推理是不是真关干净了，你根本无从验证。论文给的近似方案是拿非推理开源模型做基线，再对推理模型做归一化。可这样代进去的就不只是推理的差异，模型本身能力的差距也在里面。两杯毒药选一杯。
然后是收益递减的结论。论文说推理努力水平越高，收益衰减得越狠，某些场景下额外思考反而把准确率干下去。这个我体感高度认同。上个月拿一个跨文件接口改动去试新模型，温度调低、让它多想想。结果它绕了一轮毫无必要的重构，最后我自己手动收的尾。
「部署成本乘数」那个概念倒是容易被人忽略。花在推理上的钱，大头根本不在生成给用户看的回答上。用户看到的是答案；账单上记的是模型在后台自说自话的一大段。内部思维 token 才是吞金兽。这事大家心里有数，只是很少有人摆到台面上。
本地部署是真能翻盘，还是又一种心疼？论文最后那段我很喜欢——没草草收尾，而是点出部署环境这个变量：高成本推理工作负载搬到本地，成本结构立刻变样。少了按 token 计价的 API 倍率，多了对硬件利用率的掌控。不过「可以改变经济结构」不等于「一定划算」。改完可能只是从一种心疼换成另一种心疼。
最让我在意的一句建议藏在后段：应当在模型选择时依据任务类型、努力水平和部署环境，有选择地启用推理，而不应视为普遍有益的默认模式。这话横着看竖着看，都是在怼现在评测圈默认的习惯——新模型到手，什么任务都先让推理跑满，跑出个整体分再说话。
这个评测习惯拖累谁？先污染行业榜单，再误导模型选型，最后教坏用户在真实任务里无脑开推理。回头翻各家发布文案，全在吹推理有多强。吹完代码吹数学，吹完数学吹科学推理。看着战无不胜，问一句「这些任务合不合适开推理」，没人理你。论文等于把同一个问题甩给整个行业，证据摆这，差评自己认领。
方法论部分还有值得商榷的地方：对推理链的启用只做了简单阈值，没进一步量化思考预算从 10% 提到 20% 的边际收益。不过这是后续工作，不算扣分项。
执行路径也有留白：用户层面怎么不靠翻提示词、就判断当前任务到底需要多少推理？论文没给。这题或许是留给下一代 API 设计的。
锐评评分卡：
- 实测数据扎实 ✔
- 分析框架基本可信 ✔
- 「全场景默认开启推理」话术被打脸 ✔
- 按任务结构决定推理价值，性价比和「无脑开」是两个量级
从 8 月提交到 TPCTC 接收，这个流程本身也值一句：一年收不了几篇，同行评审替你滤过一轮水分了。
这波不冤，但也别急着给所有任务安排推理。冲着「任务结构决定推理价值」去调参，和冲着「让 AI 想深一点」的口号去花钱，是两种完全不同的打开方式。被那句口号忽悠着全场景默认开启的，才是真冤大头。
论文存着。下次有人再在群里问推理模式是不是无脑开，链接甩过去。省下的口水够跑好几轮评测了。