基准
Reasoning Dial
一个专门测量 reasoning_effort 参数效果的基准测试，通过固定 60 道代码生成题、同一 prompt 和确定性评分器，仅改变推理强度档位来评估模型行为差异
时间轴 (近 90 天)
10月12日
Reasoning Dial 基准使用60道代码生成题目集、同一prompt、同一确定性评分器，唯一变化是 reasoning_effort 取值（none/low/medium/high），包含 Deduce（逻辑推理）、Arith（算术）、Distract（干扰计数）三种任务类型。
待验证50%
10月12日
整个主实验花费4.20美元，包含预实验和校准轮次约6.38美元。
待验证50%
10月12日
四个预注册假设的最终结果：H1（旋钮不是同一种工具）支持；H2（更多思考在干扰计数上有害）不支持；H3（更多思考有助于演绎推理）仅 gpt-5.4-mini 支持；H4（准确率不涨时账单照涨）支持（描述性）。
待验证50%