LLM 编排何时值得：对准确率、成本与任务难度的受控评估

论文在五个 LLM 骨干、编程、国际象棋谜题和数学三个领域中，统一使用 GEPA 优化 Self-Refine、Best-of-N、Debate，并与任务直答和 CoT 基线比较。编排平均最多提升 4.6 个百分点，却消耗约 2 至 4 倍总 token；收益不随难度稳定增加，并显著依赖底层模型。