GPT-5.2 在 medium 与 high Reasoning Effort 下为何可能表现不佳？

GPT-5.2 在 medium 或 high Reasoning Effort 下仍可能表现不佳，因为更高推理强度只增加模型可投入的推理空间，不保证输入正确、任务无歧义、配置真正生效或评分方法可靠。常见原因包括实际模型或 effort 与预期不一致、上下文中存在冲突信息、提示没有定义目标、题目依赖隐藏假设、工具结果错误、单次生成波动，以及模型在开放问题上过度推演。

遇到一次错误答案，不能直接得出“medium/high 退化”或“模型逻辑能力差”的结论。应先建立可复现样本，固定模型版本、提示、上下文、工具和输出格式，分别重复运行 none、low、medium、high，再按错误类型比较。只有稳定、重复且排除环境因素的差异，才支持模型或档位回归判断。

Reasoning Effort 不是正确性开关

Reasoning Effort 控制模型在回答前可以投入多少推理 token。medium 与 high 通常比低档位更适合多步骤推理，但不会把错误前提变成正确事实，也不会自动发现提示中没有提供的约束。

如果题目存在多个合理解释，更多推理可能让模型更深入地探索其中一个解释，而不是自动选择评测者心中的答案。若评分器只接受单一表述，就会把合理但不同的路径判为错误。

第一类原因：实际配置没有生效

用户可能在配置文件中写了 high，但本次请求被命令行、项目配置、profile、会话设置或客户端默认覆盖。也可能选择了同系列的另一个模型，或者通过第三方 provider 使用了不同参数映射。

排查时记录：

• 精确模型 ID，而不是只写 GPT-5；
• API、Codex CLI、桌面应用或其他客户端版本；
• 实际请求中的 reasoning effort；
• 响应或会话状态中的有效模型；
• 是否发生参数回退或别名路由。

不能根据响应速度或答案长度推断 effort。high 可能给出短答案，medium 也可能因工具等待而很慢。

第二类原因：把不同模型快照混在一起

模型别名可能随时间路由到更新版本。两次测试如果日期、区域或快照不同，即使都显示 GPT-5.2，也未必具备完全相同的行为。正式基准应尽量固定可用的精确快照，并记录测试日期。

若只能使用滚动别名，应把模型版本变化视为实验变量。不能把几周前的 low 与今天的 high 直接比较。

第三类原因：提示存在隐藏歧义

逻辑题、数学题和需求分析常包含省略条件。例如“所有 A 都是 B”是否允许 A 为空，“最少需要几步”是否允许并行，“返回一个答案”是否要求证明。模型可能采用与评分器不同的约定。

有效提示应明确：

• 定义和符号含义；
• 允许使用的假设；
• 期望输出形式；
• 是否需要证明或只要结果；
• 边界条件和无解处理。

在修正歧义前升到 high，可能只让模型更长时间处理不确定目标。

第四类原因：上下文污染

长会话中可能包含早期错误结论、过时指令、相似但不同的题目和工具噪声。模型会尝试保持对话一致性，从而继承错误前提。medium 与 high 有更多空间整合上下文，也可能更认真地维护这些错误约束。

诊断时使用全新会话，只提供完成任务所需的最小上下文。若新会话恢复，问题更可能来自上下文，而不是模型基本推理能力。

第五类原因：冲突指令

系统、开发者、用户和工具层可能同时提出要求。例如一层要求只输出 JSON，另一层要求详细解释；一层要求使用给定事实，另一层要求质疑所有前提。模型需要按优先级处理，最终输出可能不符合观察者预期。

更多 Reasoning Effort 无法让互相冲突的要求同时成立。应先检查完整提示栈和优先级，而不是只调整用户消息。

第六类原因：输出限制遮蔽了正确推理

高推理并不保证最终解释完整。低 verbosity、严格格式、较小输出上限或解析器截断，可能让模型省略关键步骤。评分器若要求显式推导，会把正确结论但缺少过程的回答判低分。

反过来，高 verbosity 可能增加无关说明，使严格字符串匹配失败。评测 reasoning effort 时应固定输出详细度、结构和上限。

第七类原因：高档位出现过度推演

更高 effort 不一定单调改善所有任务。对于答案明确的简单题，模型可能引入题目没有要求的例外、重新解释常识条件，或在多个方案间迟迟不收敛。这通常被称为过度思考，但应通过输出和实验具体判断，而不是只凭耗时。

解决方法是收紧任务、给出停止条件，并比较 low 或 medium。若简单任务在低档稳定正确，高档反而波动，就应按任务路由，而不是永久使用 high。

第八类原因：工具结果或外部数据错误

代理任务的推理建立在文件、终端、网页和数据库结果上。如果工具返回截断内容、过期数据或错误退出码，high 会基于错误证据形成更完整的错误结论。

检查原始工具输出、时间戳、截断标记和命令状态。不要只审查模型最终总结。

第九类原因：单样本波动

生成式模型存在运行波动。一次 medium 正确、一次 high 错误，不足以证明 high 更差。每个档位需要多次运行，并随机化顺序，避免网络、缓存和服务负载的时间偏差。

样本很少时，应报告置信不足，而不是给出确定排名。

第十类原因：评分器有问题

自动评分可能依赖精确字符串、错误参考答案或不完整单元测试。代码任务中，测试通过也可能遗漏安全和边界问题；逻辑题中，评分器可能不接受等价表达。

至少抽样人工复核失败样本，并检查：

• 参考答案是否唯一且正确；
• 答案归一化是否合理；
• 测试是否覆盖真实需求；
• 格式错误与逻辑错误是否分开；
• 评分者是否知道完整上下文。

第十一类原因：任务不适合该模型

Reasoning Effort 只能在模型能力范围内调节。如果任务需要特定模态、工具、领域知识或上下文窗口，而模型不满足硬约束，high 不能补足缺失能力。此时应换更合适的模型或补充工具。

第十二类原因：真正的模型回归

在排除配置、提示、上下文、工具和评分问题后，如果固定样本在相同环境中稳定下降，才可能是模型快照、路由或服务行为回归。此时需要保存最小复现并报告。

回归证据应包含：

• 模型 ID 与测试时间；
• 完整脱敏请求和参数；
• 多次运行结果；
• 预期答案及其依据；
• 不同 effort 的对照；
• 客户端、provider 和区域信息。

一个可靠的诊断顺序

1. 确认精确模型与 effort 实际生效。
2. 在新会话中使用最小提示复现。
3. 消除题目歧义和冲突指令。
4. 固定 verbosity、输出格式和上限。
5. 关闭不必要工具，验证纯推理版本。
6. 检查参考答案和评分器。
7. 分别重复运行 low、medium、high。
8. 对错误进行分类，而不只看总分。
9. 与固定快照或其他合适模型比较。
10. 仍稳定异常时提交最小复现。

如何设计 medium 与 high 对照

固定以下变量：

• 模型快照；
• 系统与用户提示；
• 输入上下文；
• 工具权限与版本；
• verbosity 和输出上限；
• 超时和重试策略；
• 评分器版本。

唯一改变 reasoning effort。每道题每档运行多次，保存原始响应和用量。

错误类型比总分更有信息

错误类型	可能原因	优先动作
理解错题意	歧义、上下文污染	重写定义、新会话
中间推导错误	推理不足或模型限制	升档、要求验证
结论对但格式错	输出约束或评分器	结构化输出
引用错误事实	工具或知识问题	核验来源
过度复杂化	弱停止条件、高档过度探索	收紧任务、降档
多次不稳定	采样波动	增加重复样本

为什么 medium 可能优于 high

对于边界明确的问题，medium 可能更快收敛到直接解法。high 有更多空间考虑例外与替代解释，若题目没有清楚排除这些路径，可能增加不必要复杂度。

这不表示 medium 在所有任务中更聪明，而是当前任务的最优计算点较低。应按任务类型路由。

为什么 high 仍可能值得

跨模块代码、复杂约束、长链逻辑和高风险决策往往能从 high 获益。关键是给模型足够证据和明确验收。若 high 提高一次通过率、减少返工，即使单次更慢，总交付成本也可能更低。

不要用解释长度判断推理质量

Verbosity 与 Reasoning Effort 是不同参数。high 可以输出简短结论，medium 也可以生成长篇说明。需要查看实际配置、reasoning token 和任务正确性。

不要把链式思考文本当作唯一证据

模型生成的解释可能是有用摘要，但不能替代结果验证。代码应运行测试，数学应检查代入，事实应核验来源。要求更多推理文字可能增加输出，却不保证真实内部过程或正确性。

改善提示比盲目升档更有效的情况

• 目标和成功标准没有写清；
• 符号、术语或角色含义不明确；
• 同时要求互相冲突的输出；
• 缺少关键输入或示例；
• 没有说明是否允许假设；
• 没有停止条件。

这些问题应先修复，再评测 effort。

一个最小复现模板

模型：固定的 GPT-5.2 标识或快照
Reasoning Effort：medium / high
Verbosity：固定 medium
工具：关闭或列明版本
提示：完整原文
期望结果：明确答案与证明
运行次数：每档至少多次
观察：正确性、错误类型、token、延迟

若问题依赖截图、文件或网页，最小复现还应包含对应输入，不能只贴最终问题文字。

何时应该换模型

如果 medium 与 high 都在同类能力上稳定失败，而提示、工具和评分已经验证，应测试更适合该任务的当前模型。换模型时保持 effort、提示和评测不变，再单独比较，避免同时改多个变量。

何时应该降档

如果 high 增加延迟与过度推演，medium 或 low 在重复样本中正确率相同甚至更高，可以降档。目标是达到质量门槛，不是使用最高设置。

常见错误

一次失败就归因于模型

单样本无法排除波动、配置和评分问题。

把 high 当成强制正确

它只提高推理投入，不提供缺失事实。

失败后同时改提示、模型和档位

结果无法归因。一次只改变一个变量。

只看最终答案，不看工具证据

错误可能来自截断文件或过期外部数据。

只看总分，不看错误类型

格式问题、逻辑问题和事实问题需要不同修复。

结论

GPT-5.2 在 medium 或 high Reasoning Effort 下表现不佳，不一定意味着更高推理档位失效。实际原因可能是参数未生效、模型快照变化、提示歧义、上下文污染、冲突指令、输出限制、工具错误、单样本波动、评分器缺陷或任务与模型不匹配。正确方法是固定环境、使用新会话和最小提示、多次对照 medium 与 high，并按错误类型诊断。只有排除这些因素后仍出现稳定、可重复下降，才应将问题归因于模型或服务回归，并提交包含完整配置和证据的最小复现。