English(EN) What Effort Level Should I Choose? On the Economics of Reasoning Effort in LLM Agents

LLM代理的推理成本：成本更高，收益不确定

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-27 04:00

arXiv上的一篇新论文探讨了大语言模型（LLM）代理中推理成本的经济学，发现更高的计算成本并不总能提高性能，而且成本可能非常高。研究表明，增加的成本有时会在较低成本级别能够解决的任务上失败，而最高成本设置的成本可能比最低设置高出42倍。研究建议，一种更具成本效益的策略是先从最低成本开始，仅在经验证的失败后才升级，这种方法在各种模型和基准测试中都能匹配或提高性能。 AI

影响通过优化计算成本，为使用LLM代理提出了一种更具成本效益的方法。

排序理由关于LLM代理经济学和性能的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于LLM代理经济学和性能的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Kaiser Sun, Yongchan Kwon, Zain Hasan, Shang Zhu, Kaitlyn Zhou, Federico Bianchi · 2026-10-27 04:00

我应该选择什么努力程度？关于LLM智能体推理努力的经济学

arXiv:2610.34491v1 Announce Type: new Abstract: Generative models increasingly expose a reasoning effort setting that lets users scale inference-time compute, trading higher cost for potentially improved performance. Users must choose an effort level before knowing whether extra …

本文如何被排名

报道来源 [1]

我应该选择什么努力程度？关于LLM智能体推理努力的经济学

相关实体

相关话题