数据状态：完善中（2026-10-07）。
experiments/e1_formal.py有两处实现缺陷 （批量调用被丢弃后重跑导致全额计费；off 臂串行段误开思考），代码已修复， 但干净的成本数字需重跑才能出，本轮未跑（API 额度所限）。 **成本类结论暂停引用；精度类结论可用。**逐项标注见 DATA_STATUS.md。
一句话：推理强度旋钮（effort 档位）的价值只在任务的能力边缘存在，且集中在第一档——本项目用三个模型（deepseek-flash / deepseek-v4-pro / 本地 Qwen3-4B）× 三类任务 × 18 个强度-采样任务点实测了这一点，并提出用项目采样（N 路便宜采样 + 数值投票 + 早停）替代高价位档位：在能力边缘与深边缘任务上，零思考 × 4 路采样（off×4）达到 100% 精度，成本为同精度替代方案（high×4）的约一半（cd6：$0.48 vs $1.02）。
作者：Saycho-Finally（独立研究者） ｜ AI 使用声明见 AI_DISCLOSURE.md ｜ License: MIT ｜ 依赖：requests（API 实验）｜ Python ≥3.10
- 强度-精度曲线的三模型实测——deepseek-flash、deepseek-v4-pro、本地 Qwen3-4B（budget forcing）在 GSM8K-100 / Countdown-5/6/7 / MATH-500 L4-5 上的完整 effort 档位曲线，18 个任务点的精度与逐笔成本。
- overthinking 的四次独立复现——高价位档位（max）在 4 个独立场景中无一最优，其中 n=100 规模上 medium 档比 64-token 档低 14 分（0.77 vs 0.91，统计显著）。
- E1 等算力对账框架——11 臂（4 强度档 × 1 + low×{2,4,8} + high×{2,4} + off×{4,8}）× 逐笔 hit/miss/token 记账，直接输出"每百分点精度值多少美元"的 Pareto 对账。
- 项目采样的边界实测——零思考 × 4 路采样（off×4）在能力边缘（Countdown-6，n=12）与深边缘（Countdown-7，n=6）双双 100%，成本为同精度的高价档采样臂（high×4）的约一半（cd6：$0.48 vs $1.02）。注意：off×4 的成本包含实现缺陷造成的浪费调用（见 CHANGELOG 2026-10-07），修复后应当更低；单档 max×1（$0.11）本身比 off×4 便宜，但它只有 0.83 精度。同时给出不成立的边界（详见「这个仓库不是什么」）。
| 臂 | 精度 | off-peak 成本 |
|---|---|---|
| off×1（零思考） | 0.33 | $0.04 |
| low×1 | 0.83 | $0.12 |
| high×1 | 0.92 | $0.13 |
| max×1 | 0.83 | $0.11 |
| low×2（早停投票） | 0.92 | $0.36 |
| off×4（零思考采样） | 1.00 | $0.48 |
| low×4 | 1.00 | $0.86 |
| off×8 | 1.00 | $0.90 |
| high×4 | 1.00 | $1.02 |
| low×8 | 1.00 | $1.37 |
（Countdown-7 深边缘任务同构复现，见 reports/阶段0_三模型全表_2026-10-02.md 第五节）
- max 档在全部 18 个任务点上无一次最优：overthinking 不是例外而是规律，且已被量化（cd6 上 max×1 是全表最差性价比：0.83 精度 @ $0.11，被 off×4 以 4 倍成本反超满分）。
- 深度可被广度替代（边界：Countdown 类可验证任务）：零思考 × 4 路采样 + 数值投票在能力边缘与深边缘双双满分，成本为同精度替代方案（high×4）的约一半到七成（cd6：$0.48 vs $1.02；cd7：$0.20 vs $0.29）。
- 采样应配低价档：low×4 与 high×4 同为满分，但 low 档单价约为一半——档位溢价在采样范式下没有回报。
- 任务越接近能力边缘，第一档（off→low）的边际收益越大：Countdown-7 上 off→low 从 0.50 → 1.00（+100%），是全部实验中最陡的档位增益。
先说边界：
- 不是"思考无用"的结论。本实验的任务族是 Countdown（可数值验证的组合搜索）与 GSM8K/MATH 子集（有标准答案）；这些任务的判定器是确定性的（数值验证 / 程序校验），采样+投票的收益依赖这一前提。判定器不可用的任务（开放生成、主观评价）不在本文覆盖范围。
- 不是新 SOTA 方法。采样+投票（self-consistency）与早停来自公开研究（见「引用的先行者」）；本仓库的增量是：effort 档位旋钮出现后的等算力分配实测、逐笔 hit/miss/token 的成本对账框架、以及 overthinking 的多场景量化。
- 不是大规模评估。三个模型、少量任务族、多数为单种子；Countdown 是玩具级探针任务，GSM8K/MATH 子集样本量 50-100；多 seed 标准误与更多任务族列入后续工作。
- 不是对 Reasonix/DeepSeek 官方的复核。所有数字来自本仓库脚本的独立运行，口径与官方后台一致（逐笔对账见
results/），但模型行为可能随版本更新变化。 - 不是有长期维护承诺的产品。个人研究项目，业余维护；
results/是 2026-10-02/03 的研究快照。
反过来说，它是：一张把"哪条结论有多硬、哪个旋钮在什么条件下值多少钱"写清楚的三模型实验笔记，和一套逐笔可对账的成本框架。
exocortex/ 核心库（adapter 多模型接入 / ledger 逐笔记账 / tasks 任务族 / scaffold 早停·验证·预算守卫·解剖）
experiments/ 全部实验脚本（stage0 强度曲线 / e1 等算力对账 / anatomy 推理解剖 / 成本对账）
results/ 原始运行数据（JSON，含逐笔 usage 与早停过程）
reports/ 阶段 0 收官报告 / 三模型全表 / 架构前沿分析
pip install requests
# 支出级自检（纯离线，零成本）：预算守卫档位配置与反馈环
python experiments/budget_guard_check.py
# 强度曲线（单模型 × 4 档 × n 题）
python experiments/stage0_curve.py --suite countdown6 --n 12 \
--api base_url=https://api.deepseek.com model=deepseek-v4-pro key=$DEEPSEEK_API_KEY
# E1 等算力对账（11 臂，off-peak 时段运行成本减半）
python experiments/e1_formal.py --suite countdown6 --n 12 \
--api base_url=https://api.deepseek.com model=deepseek-v4-pro key=$DEEPSEEK_API_KEY \
--progress-file results/progress_e1f_cd6.jsonl本地 4B 对照（6GB 显卡，budget forcing）：
python experiments/stage0_curve.py --suite gsm8k --n 100 --model_path <Qwen3-4B-Thinking 路径> \
--ladder 64,256,1024,2048 --progress-file results/progress_local.jsonl成本提示：E1 全套（cd6 n=12 + cd7 n=6）约 $6.7（off-peak）；GSM8K-100 本地 4B 约 19 小时（6GB 显卡受散热降频限制）。
- Snell et al.（ICLR 2025）：test-time compute 的最优分配——总框架来源，本文在其未覆盖的 effort 旋钮维度做实测
- Self-Consistency（Wang et al. 2022）与早停变体（ESC/ASC/CGES）：采样与投票机制来源
- LLMThinkBench：基础任务上推理增益有限的先例
- Apple（2025）：推理链的三区制（有效/冗余/有害）——overthinking 的概念来源
- Reasonix：DeepSeek 前缀缓存纪律与三区会话
- NVIDIA Dynamo 文档：块价值分层（thinking token 零复用）
- Vercel Jev / AWS Strands Decider：决策模型品类（本文的"判定应项目化"立场的对照面）
- 贡献指南见 CONTRIBUTING.md；行为准则见 CODE_OF_CONDUCT.md
- 安全问题请走 SECURITY.md 的私密渠道（勿开公开 Issue）
- 版本变更见 CHANGELOG.md；学术引用格式见 CITATION.cff
- 许可：MIT