谁思考得最好取决于给多久预算：LLM评测中的预算依赖排名

大语言模型的标准评测假设模型排名在不同推理条件下保持稳定。我们通过在七档（64-4,096）token生成预算——即模型可生成的最大token数——下评测四个模型于三个推理基准（共56,476次推理）来挑战这一假设。我们报告四项发现：（i）3-19%的题目表现出非单调行为（准确率随预算增加而下降），即使在控制截断之后也是如此，且该现象是模型特定的（跨模型重叠：6-14%）。（ii）模型排名在所有基准上跨预算发生反转（p < 0.01，McNemar检验）。（iii）oracle分析揭示模型互补性最高达+27.8个百分点，在受限预算下最为显著。（iv）预算感知路由器跨域捕获14.1%的oracle差距；预算特征在域内有益（+1.6至+5.7个百分点）但是域特定的并损害迁移（-1.2个百分点）。这些结果支持采用预算条件化的评测协议。