近日，Vals AI针对前沿大模型在不同推理努力（reasoning effort）设置下的得分与成本关系进行了分析。结果显示，降低推理努力对成本的削减幅度远大于对输出质量的损耗。在最低推理档位下，多个前沿模型仍能保持大部分性能，部分场景中低推理设置甚至可在成本显著降低的同时，达到与高推理设置相近的结果质量。不过，推理努力的实际影响高度依赖任务类型：对于事实问答或结构化提取等相对简单任务，低推理档位已足够；而在多步数学推理、复杂代码生成或需要深度规划的难题上，提高推理努力仍是保障准确率的关键。这一发现为企业在部署大模型时提供了成本优化空间，可通过按任务难度动态调整推理努力，在预算与效果之间取得更精细的平衡，而非默认使用最高推理档位。随着模型API成本成为规模化落地的重要约束，理解推理努力与性能、成本之间的非线性关系将变得更加重要。