本研究分析了大型语言模型推理所需标记的任务难度特征。通过确定性有限自动机，发现推理步骤长度与状态追踪需求相关，从而能够预测新问题所需的最佳推理标记数量，提高了准确性。

本研究提出了一种聚类-难度框架，通过对任务难度进行聚类，排除非紧急任务，从而提高大型语言模型的性能预测准确性，平均绝对偏差仅为1.36%。

该研究提出了基于多臂赌博问题的UCB^τ算法，通过引入调整的奖励项考虑任务难度，具有理论上的强大性能。在合成数据集上的比较评估中，UCB^τ表现出色，具有更低的风险。