arXiv 论文实测 866 个代码任务：多想 2000 个 token 只涨 1.4 个点

arXiv 论文 Does More Thinking Pay Off? 在 HumanEval Pro、MBPP Pro、BugsInPy 共 866 个 Python 任务上对 5 个模型配置各跑 5 次，用同权重开关推理的方式对比正确率与思考 token 数。