导读
用过 Claude Code、GPT 或者 Cursor 的人，大多见过一个设置：推理强度，medium、high、xHigh 一路排下去。多数人知道调高会更聪明、更慢、更贵，但很少有人说得清这背后到底发生了什么。
这不是一个玄学参数，它的实现原理相当朴素，一旦想明白，你会对什么时候该开高、什么时候纯属烧钱有完全不同的判断。这篇把原理、token 账、速度和价格的倍数关系一次讲清，最后给一个判断该开多高的框架。
一、推理强度不改模型，只改草稿长度
第一个关键认知：从 medium 调到 high，你用的还是同一个模型，参数一个字节都没变。 变的只有一件事——模型在给出答案之前，允许自己在心里打多长的草稿。
推理模型（o 系列、Claude 的 extended thinking、GPT-5 的 reasoning）和普通模型的差别，在于它回答前会先生成一大段内部推理，用特殊标记（比如 DeepSeek-R1 用的 <think> 和 </think>，各家具体实现不同）把这段过程括起来。括号里是它自言自语的演算、试错、推翻重来，括号外才是你看到的最终回答。
所谓推理强度，控制的就是括号里那段能有多长。low 让它草草想两下就作答，high 让它反复演算、自我检查、换几种思路，xHigh/max 则近乎不设上限地深挖。 同一道题，low 可能花几百个思考 token，high 能烧到几万个。
这也解释了一个反直觉现象：调高强度经常真的更准，但用的还是那个模型。它没有变聪明，只是被允许把已有的能力用得更充分——像同一个人，一道题瞟一眼就答，和拿草稿纸算三遍，正确率本来就不一样。
二、模型为什么想得越久、答得越对
这个能力不是写死的规则，是训练出来的。
主流推理模型用一种叫结果导向强化学习（outcome-based RL）的方式训练：只看最终答案对不对来给奖励，中间那段思考过程本身不直接打分。 模型在海量难题上反复尝试，逐渐学到一件事——遇到复杂问题，先展开一长串推演、把大步骤拆成小步骤、发现错了就回头改，最终答对的概率明显更高。
于是多生成思考 token 成了模型在训练中自己摸索出来的策略，没有人手把手教它这么做。o1、DeepSeek-R1 这批模型验证的正是这条路：用强化学习激励模型产出更长、更有用的思考链，复杂推理任务的表现能有跨越式提升。
推理强度这个旋钮，做的就是在推理阶段调节这套已经学会的行为——你告诉它这次可以想多久，它就按那个尺度分配思考 token。Anthropic 后来还做了自适应思考（adaptive thinking），让模型自己判断这道题值不值得多想，简单的问题不浪费，难的问题才展开。
三、贵和慢，贵在看不见的那部分
这里是最多人踩坑的地方：那段内部思考，你几乎看不到，但你在为它付全款。
OpenAI 的做法是彻底藏起来——思考 token 不通过 API 返回，你拿不到内容，但它照样占用上下文窗口，并且按输出 token 计费。Anthropic 稍微透明些，可以返回一段摘要，但原始思考链同样不外露。
结果就是一笔隐形账单。一段有人算过的数据是这样的：一个 300 token 的可见回答，背后可能拖着 2000 个思考 token。 你眼睛看到的是三百字，账单上记的是两千三。OpenAI 甚至建议开发者，用这类模型时先给推理和输出预留至少 25000 token 的空间，就是因为这段消耗弹性极大——一道题从几百到几万 token 都有可能。
为什么这笔账特别肉疼？因为思考 token 走的是输出价，而输出价通常是输入价的好几倍。以 Claude Opus 为例，输入是每百万 token 5 美元，输出是 25 美元，差 5 倍。推理强度调高，多烧的每一个思考 token，都是按最贵的那档在计费。
速度是另一笔账，而且更直观。在一个公开的多轮博弈测试里，同一个模型每做一个决策：low 平均 7.5 秒，medium 37.5 秒，high 107 秒。从 low 到 high，思考时间差了十几倍。你在界面上等的那个转圈，转的就是模型打草稿的时间。
四、三个旋钮，其实是同一个
把 Claude、GPT、Cursor 这些工具里五花八门的设置摊开看，控制推理强度无非三种形态，底层拨的是同一个东西——思考 token 的长度：
- • 硬性 token 预算：直接给一个数字，比如"最多想 8000 token"。Anthropic 早期的
budget_tokens就是这样，一刀切，好处是成本可控，坏处是不够聪明。 - • 档位制：low / medium / high / xHigh / max 这种分级。你给个大概的意向，模型自己拿捏该想多深。GPT-5 系列的
reasoning_effort、Claude 现在的effort都是这一类，是目前最主流的形态。 - • 自适应：模型自己决定这道题该想多久，简单直接答，复杂才展开。这是档位制的进化版，把判断权也交给了模型。
三者从左到右，是把"想多久"的决定权，一步步从人手里交给模型。但无论哪种形态，你调的永远是那段内部草稿的长度，没有例外。
五、一个判断该开多高的框架
知道了原理，就能摆脱越高越好、越低越省这两种懒惰判断。开多高，取决于三个变量：
第一，任务难不难验证。 强化学习的奖励来自"答案对不对"，所以推理强度在有明确对错的任务上收益最大——数学、代码、逻辑推演、多步骤 agent。反过来，写文案、闲聊、翻译这类没有唯一正确答案的任务，调高强度往往只是多烧钱，质量提升很有限。
第二，收益是不是还在爬坡。 思考 token 和准确率的关系不是线性的，而是先陡后平的曲线。从 low 到 medium 通常提升最明显，从 high 到 max 常常只换来一点点边际收益，却要多付成倍的时间和钱。有研究直接指出，思考模式越往上，token 和耗时显著增加，但准确率的边际收益在递减。high 往往是性价比拐点，max 留给错一次代价极大的场景。
第三，你等不等得起。 一个要实时响应的对话机器人，和一个可以跑一晚上的代码 agent，对延迟的容忍度天差地别。前者哪怕损失一点准确率也该压低强度，后者可以放心开到 xHigh 让它慢慢磨。
把这三条叠起来：有明确对错、错了代价高、又不赶时间的任务，才值得往 high 以上开；剩下的大部分日常场景，medium 甚至 low 已经够用。 那些默认把所有请求都拉到 xHigh 的人，多半在为看不见的思考 token 白白付钱。
关键结论
- • 推理强度不换模型，只改模型回答前"内部草稿"的长度，也就是思考 token 的数量。
- • 这个能力是强化学习训练出来的——只奖励最终答案对错，模型自己学会了"难题多想几步更准"。
- • 思考 token 大多不可见，却按最贵的输出价计费，一个 300 token 的回答背后可能藏着 2000 个思考 token。
- • 从 low 到 high，耗时能差十几倍，成本能翻几倍，而准确率的边际收益在递减。
- • 该开多高看三点：任务可不可验证、是否还在收益爬坡段、你等不等得起——多数日常任务 medium 就够。