努力是上限，而不是刻度：推理预算不会调节人类与大型推理模型之间的认知成本协调

大型推理模型（LRM）生成思想链轨迹，其长度跟踪人类在认知任务中的反应时间，但最近的争论质疑这种对齐是否反映了真正的计算结构或表面冗长。我们测试对齐是否随推理时间的推理工作而变化。在 GPT-OSS-20B 和 GPT-OSS-120B 中，三个努力级别和六个推理任务、任务内和跨任务对齐保持不变：贝叶斯因子倾向于零，并且平均对齐在不同条件下的数值上几乎相同。操纵检查表明，工作量参数设置了生成预算上限，而不是驱动实时分配，这表明分配策略在训练时具体化。算术复杂性对比进一步表明，词元分配跟踪细粒度、格式相关的人类难度模式，模型规模改善了匹配。 LRM 和人类之间的认知成本一致性似乎是训练时的成就，对推理时间扰动具有鲁棒性，支持 LRM 问题解决的编译帐户而不是在线帐户。