过去一年，行业学会了一件事：让模型在回答前多想一会儿，正确率就能涨。这就是 test-time compute scaling。但到 2026 年，这条曲线开始显出边际递减的形状。
多想一步，到底值多少钱？
以 DeepSeek-V4.1-Flash 为例，Artificial Analysis 估它完成一项基准任务平均约 0.03 美元。如果把思维链拉长三倍，单任务成本可能逼近 0.1 美元甚至更高，而正确率的提升往往从「每多花一倍算力涨 10 分」衰减到「涨 2 分」。HLE 36.8 这个分数也在提醒：即便无限延长思考，最难的开放题仍不是「想久一点」就能解决的。
为什么思考越长，边际收益越递减？
第一，可验证领域红利已被吃掉。数学、代码这类能机器验证的任务，长思维链带来的提升最明显，但早期低垂果实已摘完。
第二，错误会随步数累积。思考链越长，中间某一步走偏后自我纠正的概率越低，长度反而成了幻觉的温床。
第三，算力不是免费的。多花的每一秒都占用 GPU，在高并发场景里，等待首 token 的用户不会为你的「深度思考」买单。
不堆思考时长，那该怎么提正确率？
不要无脑开最长思考预算。按任务分级：客观事实问答走最短；多步规划给中等预算；数学证明才开放长链路。并把「验证器」接进来——模型想完先自检，再决定是否继续想，比线性拉长更省。
test-time compute 走到 2026 年该怎么定位？
test-time compute 没有失效，但它从「越多越好」进入了「精准投放」阶段。2026 下半年的竞争，是看谁能用最少的思考步数拿到足够的正确率。
有没有一个粗算公式帮你找到性价比拐点？
粗略估计，正确率随思考时长的提升类似一条对数曲线：前 50% 的算力贡献大部分增益，后 50% 只换来零头。工程上可以这样做灰度：对同一批请求，分别用短、中、长三档思考预算跑，画出正确率与成本的散点。你要找的是曲线斜率开始变平的那个拐点——在拐点之前加预算值得，过了拐点就该停。多数团队会发现自己长期在拐点右侧白烧钱。把预算从最长档降到拐点档，正确率几乎不掉，账单却能砍掉一大块。这才是 test-time compute 时代真正的省钱姿势。