一句话：六个推理模型、九万多条轨迹的 CT 结果显示：平均 64.3% 的思考 token 产生于准确率峰值之后，想完比及时刹住还低 9.03 个百分点——过度思考不是浪费，是负收益。
核过的硬料（arXiv 2610.13570，cs.AI，2026-10-09，Weixin Guan 等，中科院信息工程研究所、国科大、佛罗里达大学、江西财经大学、理想汽车，标题 Constructing Pareto Frontiers of Optimal Reasoning Termination Methods for Overthinking in Reasoning Models）：
- 测量方法 STP：把推理轨迹按空白行切成 256 token 的步，在每个截断位置让模型独立生成 16 次答案取多数，把"这个位置的信息够不够"从噪声里分离出来。
- 切分本身做了校验：论文逐 token 审查，确认没有双换行跨 token 边界，256 token 的主分区能复现全部记录；边界词表对 GPT-OSS-20B 是 671 个词、其余五个模型各 565 个。
- 规模：963 个问题（AIME 90、MATH500 500、GPQA-Diamond 198、LiveCodeBench 175），每题 16 条轨迹共 92,448 条，覆盖六个模型，累计 70.5B 推理 token，存储了 576,688,123 个思考 token 的探测数据；生成时思考 token 上限 32,768、上下文上限 65,536，所有采样轨迹都进统计，四个基准组等权平均。
- 六个模型是 GPT-OSS-20B、Qwen3-4B-Thinking-2507、Qwen3-30B-A3B-Thinking-2507 和 DeepSeek-R1-Distill-Qwen 的 7B/14B/32B——同一家族三档规模加两个异构家族，跨规模趋势才可信。
- 两个指标正交：OR 量浪费，AD 量伤害。平均 OR 64.3%，平均 AD 9.03 个百分点；跨模型 OR 从 41.1% 到 74.4%，AD 从 5.64 到 13.40 个百分点。
- 两种病型分裂：MATH 的 OR 高达 78.8% 但 AD 只有 1.83pp（话痨但无害），GPQA 的 OR 61.4% 却 AD 16.98pp（话少但刀刀见血）；OR 与 AD 的 Spearman 相关是 -0.330，冗余多不代表伤得重。
- 探针动态还画出了病因：早期截断位置正变化多于负变化，越往后平坦变化越占主导、负变化相对越多——想太久不是没在想，是在原地磨。
- 同题同模型，16 条轨迹之间的 OR 平均绝对差 20.23 个百分点、AD 差 10.06 个百分点——统一思考预算从数据上就注定失败。
- 三种停止策略被塞进同一个"预算约束下的动作选择"框架：动态路由、固定预算、动态早退，每个决策单元有保留 token 的成本和答案准确率的收益，Pareto 前沿就是两者权衡的包络面。
- 前沿标尺：以完整推理准确率 72.33% 为参照，追平所需预算 DR 71.4%、FB 35.0%、DEE 14.2%；三种策略的准确率上限约 73%、76%、81%，达成上限的预算分别是 94.2%、87.2%、58.6%。论文的层级结论原话是逐层不高于：动态路由不高于固定预算，固定预算不高于动态早退。
- 论文诚实地列了边界：STP 是测量工具不是在线停止算法，属于放射科不属于药房；Pareto 前沿是离线上帝视角，真实部署没有；"判断该不该停"的信号开销没计入预算，DEE 的理论优势还没折价。
- 所有公共方法都跑在自家策略的理论前沿之下——这个领域的比较单位从此变成"离自己的物理极限还差多远"。
- 副产品 OTBench 是从 STP 流程里长出来的可复用基准，70.5B token 的探测测量跟着论文一起放出，后面做停止策略的人不用再从零造数据。
一句收尾：一个领域成熟的标志，是它开始测量自己曾经用形容词描述的东西——过度思考曾经是形容词，现在是 64.3% 和 9.03pp。