在什么情况下，给语言模型增加验证和搜索结构反而会降低性能？
当可用token预算低于约1000至1500个输出等效token时，计划和验证的额外开销会占用答案空间，导致性能不如单次模型调用，甚至接近0%。
Thinking Costs Tokens: When More Structure is Worth the Price
（翻译）思考消耗令牌：更多结构何时物有所值
资讯摘要
Abstract page for arXiv paper 2608.27506: Thinking Costs Tokens: When More Structure is Worth the Price
AI 摘要
本文研究在token预算受限时，为语言模型添加规划、验证和修复等推理结构的影响。作者在FinQA和TAT-QA金融推理任务上，用GPT-5.4 mini对比了单次调用与带验证搜索的架构，覆盖250至42000个输出等效token的14个预算档位。结果显示，在1000至1500 token之间存在交叉点：低于该阈值时，计划开销反而损害性能；高于该阈值后，验证搜索架构持续优于单次调用，最高准确率约44%对40%。
AI 问答
该研究在什么数据集和模型上进行了实验？
研究使用GPT-5.4 mini在FinQA和TAT-QA两个金融推理数据集上进行了实验，共测试14个预算档位和28000个完成单元。
更多资讯
现在参与以太坊原生质押为什么要先排队一个月？
横扫四榜，DM0.5 凭什么面面俱到？
OpenAI 总裁：AGI 已经发生
AI攻克世纪数学难题，顶尖数学家抱团抵制，而他们担心的并不是丢了工作
比 MEGA Home 便宜 14 万！理想 i9 Home 上市定价 36.98 万元，六座旗舰变天了算力、机器人、仿真与资本，谁在定义物理AI下一个十年？｜第十届全球ICT峰会回顾
让 AI 补货，但不让它算库存——LangGraph 在生鲜补货的落地实践
月下载暴增366%，上海真人社交公司切入东南亚AI陪伴，AI角色也能“奔现”日本百岁老人人数首次超过 10 万人
旧消费品，正长出新生意
理想落幕：加密行业为何集体走向同质化？
从 Trace 到规模化实时评估：面向生产流量的 Agent 可观测实践｜QCon上海
香港第一、全球第八：OSL进化背后的数字资产新格局XCancel 服务再次下线碧桂园服务与支付宝全面深化合作，共筑“智慧物业”数字化新标杆
YC 最值钱的这 20家公司，没有一家来自最近5年圆桌：量智共振·多元路径：共筑中国量子产业下一个十年 | 36氪 2026产业未来大会大促GMV猛涨500%：激光雕刻设备靠"创意落地"出海东南亚
展翼之后，三折叠再次进化：HUAWEI Mate XT 2 非凡大师深度体验评测Optimizing cost and latency with Amazon Bedrock prompt caching
读完斯坦福116页AI实施手册，我最大的感受是：别再盯着模型了圆桌：CVC的全面崛起 | 36氪 2026产业未来大会亚太唯一！腾讯云首次入选IDC MarketScape 全球托管边缘服务领导者类别协同办公进入Agent时代，飞书+豆包工作跑在了最前面
抖音上线 “免费短剧” App，短剧赛道再添一员猛将B站AI无限竞技场今日上线！全球百大AI模型同场竞技，GPT-6高居榜首
Meta 打造“组织第二大脑”智能体的设计思路一张GPU跑10万原子！分子之心用AI把化学反应“拍”成了电影阶跃发布 StepAudio 3 ，多款语音模型登顶 Artificial Analysis 全球榜单圆桌：探路·产业分工的新图谱，看到新未来——国家力量如何转化为产业价值 | 36氪 2026产业未来大会