好比一场限时考试：聪明的考生会先拿稳容易、分高的题，遇到几乎做不出的难题也会及时停手。推理模型却不太会这样安排“考试时间”。这里的时间是推理Token预算——模型作答前用于中间推导的文字额度；多想通常意味着更高的成本和延迟。
研究者让多道数学题共享一笔Token预算，并改变同一组题的顺序、难度排列和分值，测试五个开源权重模型及两个DeepSeek-V4 API模型。作者发现，模型大多像贪心的流水线：按展示顺序解题，把较多算力花在前几题，越往后投入越少；题目增多后，这种顺序依赖更明显。即使明确要求模型先规划，它也只是把预算摊得更均匀，仍没有明显优先照顾高分题或更值得尝试的题。代码推理实验也出现了相似模式。
这项工作的提醒很具体：会为一道难题“想很久”，不等于会在一整套任务中判断哪里值得多想。传统逐题测试看不见这种差别，而在总成本或延迟受限的真实场景里，它可能正是关键短板。