capability-tier

OpenAI的GPT-5.6引入了模型路由功能，当良性工作被阻止时，会将用户重定向到能力较低的模型，这引发了透明度问题：用户是否应该知道哪个模型产生了他们的答案。

本文通过实证测试了“更结构化的控制（harness）能普遍提高LLM智能体可靠性”这一常见假设，发现不同模型层级间存在非单调关系。它引入了HEAT-24基准，并揭示了严格的控制可能会损害前沿聊天模型，但有利于推理模型。