推理 effort 与思考 token：为什么思考成本更高

你的请求只是一个事实性问题。答案只有三行。输出计数器却显示数千个 token。这不是 bug：在回答之前，许多模型会在隐藏的草稿区中思考，而这些思考 token 会作为输出 token 计费。effort 设置决定了其中有多少思考会发生，而 max_tokens 必须为它留出空间，否则你会得到被截断或空的回答。

模型在回答之前做了什么#

想想考试。你可以直接写出答案，也可以先写满一页草稿。草稿通常能在难题上带来更好的结果，但纸不是免费的。推理就是那份草稿，它和其他一切一样按 token 计费。

Anthropic 的扩展思考文档（2026 年 10 月 23 日查阅）指出，思考 token 是计费输出 token 的一部分，响应会告诉你数量：usage.output_tokens_details.thinking_tokens。假设一个响应返回了这样的 usage 块（示例数字）：

"usage": {
  "input_tokens": 480,
  "output_tokens": 2150,
  "output_tokens_details": { "thinking_tokens": 1900 }
}

你会为 2,150 个输出 token 付费。其中思考占了 1,900 个，所以你实际读到的文本是 2,150 − 1,900 = 250 个 token。即使思考文本没有返回给你，情况也一样：它仍然会被计入。如果你想先弄清楚输入和输出之间的区别，请从 输入 token 与输出 token 开始。

Effort：思考的旋钮#

在 Claude 的 API 中，这个旋钮是 output_config.effort。Anthropic 的 effort 页面（2026 年 10 月 23 日查阅）列出了五个级别：low、medium、high、xhigh、max。对初学者来说，有三个细节很重要：

• 它影响每一个输出 token，而不仅仅是思考：文本、工具调用和思考都包括在内。
• 它是一种行为信号，而不是严格的预算。较低的 effort 意味着更少的 token，代价是损失一些能力；在低 effort 下，Claude 在简单问题上可能完全跳过思考。
• 在 Claude Opus 5.5 和 Claude Haiku 5.5 上默认是 medium，在大多数其他支持该参数的模型上默认是 high。显式设置默认值与省略它是一样的。

级别会按模型重新校准，所以一个模型上的 high 与另一个模型上的 high 并不代表相同数量的思考，而且并非每个模型都接受每个级别。在一个已发布的视频中，有人对同一个动态图形任务运行了 Claude Opus 5.5 的每个 effort 级别，并比较了图片。这是了解更多思考能带来什么的好方法。它不会告诉你你的账单，因为你的任务不是他们的。

一个简单问题的请求，调低了 effort：

{
  "model": "claude-opus-5-5",
  "max_tokens": 4000,
  "output_config": { "effort": "low" },
  "messages": [
    { "role": "user", "content": "What is the capital of Australia?" }
  ]
}

空回答陷阱：思考会计入 max_tokens#

问题是这样发生的。你期望一个两句话的回答，所以把 max_tokens 设为 300。模型开始思考，把 300 花在草稿上，达到限制后停止。你会得到空回复，或者一个在词中间结束的句子，停止原因显示为 max_tokens。

文档说得很明确：max_tokens 是总输出（思考加响应文本）的硬限制，而且即使思考内容没有返回，它也会被计入。在 high effort 及以上，Anthropic 建议设置一个较大的值。

在实践中：

1. 取你想要的答案长度。
2. 为思考留出充足空间。对于任何高于 low 的情况，几千个 token 是一个合理的起点。
3. 在最初几次运行后检查停止原因。如果它仍然显示 max_tokens，就提高限制。如果答案完整，你可以降低它。

截断本身，连同 finish_reason 和上下文窗口，在 为什么 AI 回答会在句子中间停止 中有介绍。

长推理对账单的影响#

假设你运行一个每天处理 2,000 张工单的支持机器人。每张工单输入约 500 个 token。简短直接的回答输出约 400 个 token。同一张工单如果进行长时间隐藏推理，输出约 4,000 个 token。这些是示例假设；要了解你自己的数字，请参阅 一个请求使用多少 token。

每天就是 2,000 × 500 = 1,000,000 个输入 token，以及 2,000 × 400 = 800,000 个输出 token 或 2,000 × 4,000 = 8,000,000 个输出 token。无论哪种方式，工单的读者看到的都是同样的两行。唯一变化的是输出量，而输出正是推理会膨胀的那一侧。

在任何对隐藏推理计费的模型上，算术都是一样的：输出 token × 输出价格。对于 DeepSeek-V4-Flash，该价格是每 1M 输出 token $0.10，其输出侧比 OpenRouter 的参考价格更便宜。它还能一次回答最多 32,768 个 token，上下文为 380K，所以较大的 max_tokens 也能容纳。价格按模型固定，没有高峰时段，上表会根据实时价格列表重新计算。所有价格都在 定价页面 上；DeepSeek 页面 有模型详情。

这里有一个可以自己发送的请求。这是一个普通的摘要任务，所以你不需要长推理，而且限制留出了充足空间：

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-V4-Flash-0731",
    "max_tokens": 2000,
    "messages": [
      {"role": "user", "content": "Summarize in one sentence: A token is a small piece of text that a model reads and writes, and APIs bill by the token."}
    ]
  }'

在回复中，usage.completion_tokens 是你在输出侧付费的内容，而 finish_reason 应该是 stop。如果它显示 length，说明限制截断了答案。获取密钥和第一次调用：文档。

哪种工作用哪个 effort#

• 一个事实、一行摘要、一个标签。 最低 effort。这就是文章开头的情况：你不需要草稿。
• 日常写作、简短解释、简单编辑。 模型的默认值。只有在看到答案的成本后再更改它。
• 棘手的 bug、多步计划、数学问题。 high 或以上，以及较大的 max_tokens。在这里，额外的思考才是重点。

不确定时，用两个级别运行同一个提示，比较答案，并比较 output_tokens。如果更便宜的答案一样好，你就找到了自己的级别。

迁移旧请求：400 错误#

较旧的代码用 token 预算来控制思考。在 Claude 4.7 及更高版本的模型（Opus 5.5、Sonnet 5.5、Haiku 5.5、Fable 5.1）上，这种形式会被拒绝并返回 400 错误。你要切换到自适应思考，并用 effort 设置深度：

// before: returns 400 on newer models
"thinking": { "type": "enabled", "budget_tokens": 8000 }

// after
"thinking": { "type": "adaptive" },
"output_config": { "effort": "medium" }

还有一个陷阱：在 Opus 5.5 上，自适应思考始终开启，thinking: { "type": "disabled" } 在每个 effort 级别都会返回 400。Haiku 5.5 允许在 high effort 或以下禁用思考。如果你想在 Opus 5.5 上减少思考，请降低 effort，而不是关闭它。

智能体和长对话：选一个级别并保持#

如果你的提示被缓存，在请求之间更改顶层 effort 会使该对话的缓存断点失效。对于智能体循环或长对话，请提前选择一个级别。一些模型在 beta 中提供按消息的 effort，可以保持缓存，在基础打好之后值得一看。长对话还有第二个成本驱动因素，在 为什么长对话成本更高 中有介绍。

在你自己的请求上试试#

1. 发送你的真实提示一次，并阅读 usage：有多少输出 token，其中有多少是思考。
2. 将 effort 降低一级，再次发送。比较答案和计数。
3. 将 max_tokens 设置为想要的答案加上思考空间，并检查停止原因。

然后把你自己的 token 计数放入 定价页面 上的实时价格表，你就有了月度估算。