三家的旋钮。

2026 年每一份主流推理 API 都以不同名字暴露同一个抽象旋钮。Claude 叫它 effort，档位是 low、medium、high。Gemini 叫它 thinking_level，同样三档，另加一档 none 用来彻底压掉推理。OpenAI 叫它 reasoning_effort，档位是 minimal、low、medium、high。三家背后的心智模型一致：这是一个提示，运行时据此在给出可见答案之前，分配数量可变的隐式推理令牌。自适应思考与努力度预算深入解析走一遍内部机制；对本章而言你只要知道：这个旋钮是提示、不是合约，模型有权在它不认同你对任务的定框时，花掉比档位建议更多或更少的令牌。

更早的接口——Anthropic 的 budget_tokens——按 2026 年规范已被废弃，因为它逼作者去思考令牌记账，而不是他们真正在乎的结果。档位抽象是更好的形状，但它藏了一个值得点名的运维事实：思考令牌按输出费率计费。在 Claude 上这意味着每个隐式推理令牌与一个可见输出令牌同价，而当一项任务模型在 effort: low 下就干净利落地完成时，effort: high 就是一次让账单里输出令牌那一行直接增到 3–5×、答案质量却毫无变化的操作。这个事实——加上 推理 vs 非推理模型 关于那些令牌实际在做什么的心智模型——就是接下来各节里那份决策规则的全部依据。

从思考中受益的任务类别。

当任务具有一条可核验的中间步骤链，而模型没有它常常会把最后一步做错时，思考就值它的价。推理何时有用深入解析细讲完整分类学；这里给出一份短名单——medium 或更高档能挣回账单钱的类别，各家一致而紧凑。

多步逻辑与形式化推理——证明、SAT 形状的约束题、多跳演绎——是范式案例。草稿空间就是答案。在这些类别上把 effort 关掉，会让准确率明显、可预测地下滑，而多出的延迟买到的是一次真实的质量胜利。带一步以上的数学也归入此处：单步算术不受益，但任何一处中间步骤出错就会传播到最终答案的问题都受益。如果你能给中间步骤打分，而模型在开着 effort 时明显做得更对，就把它留着。

带测试的代码生成是次清晰的胜利。任务是生成一个"其行为被一套可运行测试套件校验"的函数时，medium 或 high 让模型在给出最终稿之前，先在自己对这些测试的心智模型上迭代。在智能体化代码外壳上——工具调用一章覆盖的那种——这经常意味着整条循环里 编辑—运行—修 的往返更少，即便每一步更贵，跨越循环的总体令牌开销反而下降。有一处升级值得盯着：如果你发现模型在只需一次简单 lint 修复就够的步骤上花了 high 档思考，就往下调。

带信用分配的智能体工具循环是第三类。当模型必须在若干工具里挑一个来调、然后在选下一步之前对上一次调用的结果做推理时，思考令牌帮它把这条链维持住。这就是为什么长视野的研究智能体与浏览器智能体（见 r2 生产中的计算机操作）常常带着 effort 上线：与在五跳之后选错工具的代价相比，那点增量成本很小。

在思考上烧钱的任务类别。

更大的面——也就是团队在第一次成本复盘时最容易被打个措手不及的那一大片——是这样一组类别：思考大约帮不上忙，成本却翻了三到五倍。这些是烧钱的默认档，每一个都是"就用 medium"变成"所有档位里最贵那一档"的地方。

抽取式问答是头号大户。当答案就是提示里的一段——"这封邮件里客户的账号是什么"——模型一遍注意力就找到了，任何多出来的思考都花在给一个已经对的第一版答案自我否认上。以抽取为主的生产流量，从 medium 换到 off 通常能把每次调用成本降到 1/3，而在金标集上无可测回归。

按固定结构给结构化输出是第二类。任务是"把这段自由文本转成如下 JSON 形状"时，那份 schema 就是推理，而模型本就把它确定地套用。在这里思考令牌反而可能拖后腿，因为它们偶尔会怂恿模型现场改动 schema。如果你的 JSON 校验器在 medium 下退回响应比在 off 下更多，那多出的推理就没花在你所要求的事情上。

多数分类任务属于同一大家族。情感、意图、类别——但凡标签集小、输入短的都算。2026 年的分类任务努力度曲线数据毫不含糊：对绝大多数生产分类器来说，质量在 medium 以下就已平台化，成本曲线却继续上扬。摘要、短段翻译与简单改写把名单凑齐。这些任务都没有让思考挣钱所依赖的"可核验中间步骤"属性。

如何在你的流量上度量差异。

上面的分类学是一份强先验，但每一份生产流量都有它自己的怪癖，为一个设置背书的正确方式是在你自己的数据上先度量再拨。度量本身是一次小 A/B：把一批采样过的生产输入在两档 effort 下重放一遍，把输出对着一个固定评判器或一份金标集打分，再拿质量差和成本差做比较。

# A/B replay — 500 sampled prompts, one task class at a time
config:     class=customer-email-classification, n=500
setting A:  effort=off     -> cost=$0.42  latency_p50=380ms  quality=0.94
setting B:  effort=medium  -> cost=$1.61  latency_p50=920ms  quality=0.94

delta:      cost x3.8   latency x2.4   quality +0.00
decision:   effort=off wins (no quality gain, 3.8x cost, 2.4x latency)

config:     class=multi-hop-reasoning-audit, n=500
setting A:  effort=off     -> cost=$0.61  latency_p50=440ms  quality=0.71
setting B:  effort=medium  -> cost=$2.30  latency_p50=1180ms quality=0.89

delta:      cost x3.8   latency x2.7   quality +0.18
decision:   effort=medium wins (quality gain justifies cost)

两条经验能让读数更快。质量差在 5% 以下、成本差在 2× 以上时，off 默认赢——把 effort 留给差值越过噪声底的类别。质量差在 15% 以上时，几乎肯定 effort 值得，问题就变成 medium 与 high 谁赢——那是同样形状的第二次 A/B。介于两者之间就是一次生意决定：这个类别上一个百分点的质量值多少？对一个欺诈检测分类器来说答案可能是"什么成本都行"，对一个批量邮件打标签来说答案是"不多"。把数字推给 s2 成本与延迟里那份成本与延迟预算，由它来定。

一份按任务类别的思考策略。

上面这一轮练习的产出，就是一份策略——在你的代码拨旋钮之前查阅的一张表。把它写明白、跟你的提示词一起做版本、每次厂商放出新的模型档次或你注意到底层流量分布已经漂移时，就回过头重看一次。给一个可运行的例子，写成配置。

# thinking_policy.yaml — per-task-class effort settings
# reviewed monthly; A/B evidence linked in each entry
policies:
  - class: customer-email-classification
    effort: "off"
    evidence: "ab-2026-06-14 (dcost 3.8x, dquality 0.00)"
  - class: invoice-json-extraction
    effort: "off"
    evidence: "ab-2026-06-14 (dcost 4.1x, dquality -0.01)"
  - class: contract-clause-classification
    effort: "low"
    evidence: "ab-2026-06-21 (dcost 1.6x, dquality +0.06)"
  - class: coding-agent-step
    effort: "medium"
    evidence: "ab-2026-06-28 (dcost 3.1x, dquality +0.14)"
  - class: multi-hop-reasoning-audit
    effort: "medium"
    evidence: "ab-2026-06-14 (dcost 3.8x, dquality +0.18)"
  - class: fraud-triage
    effort: "high"
    evidence: "ab-2026-07-05 (dcost 5.2x, dquality +0.22)"
default_effort: "off"    # fail closed on cost, not on capability

其中三条性质是承重的。默认是 off，不是 medium——新的任务类别从便宜起步，只有当一次度量为它挣到升级时才升级。evidence 字段是必填——一条不带链回 A/B 的条目就是一次猜，而猜有一种本事，会随着时间陈化为"我们一直是这样做的"。策略是有版本的——新的模型档次上线时，把同样那些 A/B 重放一遍，更新档位。厂商在不同发布之间会更改 effort 到隐式令牌的映射，一份按上季度模型校准的策略，可以在一个月内无声漂进"贵而多余"或"便宜而错"。

你要带走的框架是：effort 是按任务类别的旋钮，不是按应用的默认。2026 年把推理账单管住的团队，不是选对了档次的那批——他们是给每个类别选了不同档次、并能指着一次度量为每次选择背书的那批。其余人在交"默认 medium"税，还称之为经营成本。