结论：加拿大皇家银行团队（含Borealis AI）在上海时间2026年8月31日公开的预印本Thinking Costs Tokens，通过14档预算、1,000题、28,000单元的对照实验发现，额外推理结构是否值得取决于token预算是否跨过约1,500输出等价token的阈值。预算为1,000时单次调用以18%领先而验证搜索近乎失效；预算1,500起验证搜索以24%超越单次调用20.6%并在后续所有档位保持3–5个百分点优势，双端p≤0.001。该结论仅来自作者在FinQA/TAT-QA与GPT-5.4 mini上的受控实验，尚未经同行评审与独立验证，不能外推为所有模型或领域的普遍阈值。

研究对象与方法

研究针对测试时增加规划、检索、验证与修复等结构是否总能提升大模型推理效果的问题，提出条件性假设：单次调用在低预算下以单一检索与回答更省开销，而多步验证搜索需先后完成规划、检索、候选生成与无标签校验，预算不足时会挤占回答空间，仅在预算足以容纳完整流水线时才能将额外开销转化为收益。方法对比两套共享相同模型、指令、证据序列化与确定性检索器的系统：单次调用与增加规划、标签盲校验与修复能力的验证搜索，以预算档位为唯一操纵变量，采用交并检验对低端小于0且高端大于0的交叉假设进行确证。

数据范围与评估条件

数据集为FinQA与TAT-QA的本地快照，各取500题共1,000题平衡集，要求每题至少两步推导、每文档至多一题，公开部分仅含问题、证据与元数据，隐藏标签含可执行推导与证据ID。模型统一为GPT-5.4 mini（输入$0.75/百万、输出$4.50/百万折算为输入token按0.17计入输出等价预算），预算分14档从250至42,000输出等价token，每单元记录调用、候选、校验与修复轨迹，严格按网关报告的提示与补全token总和执行硬预算，温度1.0单采样，无效输出与预算耗尽可能均记为错误，评分采用小数与单位尺度归一化后的精确数值匹配。

主要结果（作者报告，未独立验证）

250与500档两者均为0%，验证存在真实资源地板。1,000档单次调用180/1,000正确而验证搜索仅1/1,000正确；1,500档验证搜索首次超越并保持至最高档。验证搜索的提升与机制激活严格对应：1,000档平均1.01次调用、0.01候选；1,500档达2.0次调用、1.0候选；8,000档以上达2.6次调用、1.4候选且12–19%触发修复。单次调用在阈值上亦随预算从18%持续升至约40%，但验证搜索以约44%保持领先，表明阈值上额外结构能持续将更广检索、多候选与校验转化为准确率。双端McNemar检验均p≤0.001，满足交叉的确证标准。

局限与同行评审状态

该工作为arXiv:2608.27506v1预印本，提交于2026年8月27日05:24 UTC，按arXiv截点于8月31日00:00 UTC（上海8时）公告并归入当日cs.AI新列表，尚未经期刊或会议同行评审。关键限制包括：仅单一模型与默认采样、固定提示词与手工预算-动作映射、单一BM25检索器与特定校验规则；仅金融领域与精确匹配计分，无人专家基线与难度分层；共享模型导致误差相关，分数外推至其他架构、规模、语言或真实部署需谨慎。局部基准、模拟结果与相关性不得写成普遍因果或已获同行认可的事实。

潜在意义

若在多模型、多领域与独立复现中得到支持，该阈值框架为架构选型提供了可操作的预算条件判断：预算受限至约1,500输出等价token以下时，单次调用是更经济的执行路径；预算可达1,500及以上时，规划与验证的增量开销可被系统性转化为正确率。工程落地仍需结合自适应分配、检索质量、人评与成本时延的综合评估。