Hugging Face 研究员 Lewis Tunstall 指出推理力度拉满反而更差，拒绝率飙升拖垮评测成绩

Hugging Face 研究员 Lewis Tunstall 指出，评测闭源模型涉及安全拒绝任务（网络攻击、生物等）时出现反直觉现象：低推理力度很少触发拒绝、准确率高，最大推理力度则大量拒绝、准确率低。这让 test-time compute 曲线出现反转，算力花得最多的设置表现最差，因为拒绝大量吞掉了成绩。他提问这种情况该如何公平地报告模型性能。