待验证50% 置信事实精确时间

模型规模（参数量）与推理成本之间存在超线性关系，参数量翻倍会导致推理延迟与算力开销增长远超两倍

1

来源数

50%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

GPT 5.6+Codex深度实测：三档模型与Ultra模式全解析

bilibilioil欧呦2026/7/10

相关事实

待验证推理预算越高，模型响应延迟和 Token 消耗成倍增加，但在数学证明、复杂算法设计等场景表现显著提升78% 相似待验证随着大模型推理能力增强，单次调用消耗的token显著攀升，在固定用量限制下形成「更强模型」与「更快触及上限」的悖论75% 相似待验证Reasoning Effort档位越高，模型可消耗的思考Token上限越大，但延迟和Token成本相应线性乃至超线性增长75% 相似待验证推理时计算的扩展虽能提升单次输出质量，但成本以超线性方式增长，大规模部署往往难以经济可行73% 相似待验证每次推理都需重新处理全部上下文，计算成本随上下文长度呈二次方增长73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/501743

API

curl https://kongchang.com/api/v1/knowledge/claims/501743

MCP

get_claim(id=501743)