把推理档位调到最高，成绩反而掉了。这不是段子，是ARC-AGI-1上跑出来的结果。

在ARC-AGI-1上，high推理档位拿到88.5%，而low档位是90.5%。两者相差2个百分点，方向却是反的——档位更高，分数更低。

打开网易新闻 查看精彩图片

这2分是怎么丢的

分数差异集中在8个任务上。high档位在其中5个任务上表现更差，合计少了4.5分；在另外3个任务上表现更好，合计多了2.5分。一进一出，正好对应那2个百分点的下滑。

成本上的反差同样明显。high档位多用了35%的输出token，但这些多出来的token并没有换来更稳定的正确答案。换句话说，多花的算力没有兑现成更好的结果。

ARC-AGI-2上的账更绕

到了ARC-AGI-2，max推理档位报告的单任务成本看起来比high还低：0.129美元对0.133美元。但这个平均值是把记录到的成本除以全部120个任务算出来的，其中包含未完成的任务。

实际情况是，max档位有13个任务因API问题未完成，high档位有8个未完成。如果只比较两者都完成的106个任务，max档位实际上每个任务贵了4.5%。

完整结果：arcprize.org/results/deepse…

这组数据抛出的问题很直接：推理档位和答案质量之间，并不是一条单调上升的曲线。多给模型思考的预算，它可能想得更多，但不一定想得更对。对使用者来说，档位选择更像是一次需要实测的权衡，而不是"拉满就完事"。