IT 之家 6 月 8 日音问，苹果机器学习筹商中心于当地时辰 6 月 6 日发表了一篇筹商论文，称现存 AI 模子并不具备简直的想维智力或推明智力，而是依赖于形态匹配与记挂，尤其是对于复杂的任务而言。
苹果筹商东谈主员对现存的前沿"大型推理模子"—— 如 OpenAI o3-mini、DeepSeek-R1、Anthropic 的 Claude 3.7 Sonnet Thinking 和谷歌 Gemini Thinking —— 进行了系统评估。
筹商发现，尽管这些模子具备生成扎眼"想考链"的智力，并在中等复杂度任务上弘扬出上风，但其推明智力存在根人性局限：当问题复杂度跨越特定临界点时，模子性能会完竣崩溃至"零准确率"。
此外，在模子推理历程中，即使仍有破坏的推理算力，它们用于"想考"的 token 数目反而随难度飞腾而减少，这种步地意味着现存推理圭臬存在根柢局限性。
这篇《想考的幻象：通干扰题复杂性的视角理解推理模子的上风与局限》由 Parshin Shojaee 等东谈主撰写。筹商标明，刻下业界对这些模子的评估主要衔尾在数学和编程基准测试上，关怀最终谜底的准确性，但这相似忽略了数据沾污问题，也无法提供关系里面推理轨迹结构和质地的洞见。
筹商东谈主员接受了一系列可控的解谜环境，允许精准主管构成复杂性，同期保握逻辑结构的一致性。这使得不仅不错分析最终谜底，还不错辩论里面推理轨迹，从而更深入地了解这些模子是若何"想考"的。
筹商团队建议，模子弘扬可分为三个阶段：
低复杂度任务：传统大模子（IT 之家注：如 Claude-3.7 无想维版块）弘扬更佳；中等复杂度任务：具备想维机制的大型推理模子（LRMs）更占上风；高复杂度任务：两类模子均堕入完竣失效景色。
特别是，筹商发现 LRMs 在扩充精准测度方面存在局限性，无法使用显式算法且跨不同谜题进行推理时弘扬出不一致性。
总的来说，这项筹商不仅质疑了刻下基于已竖立数学基准的 LRMs 评估范式，还强调了需要愈加紧密的试验建立来探索这些问题。通过使用可截止的谜题环境，本筹商提供了对话语推理模子智力和局限性的深远主意，并为改日的筹商指明了地方。
筹商东谈主员暗示，"这些发现凸起了现存 LRMs 的优点和局限性，激勉了对于这些系统推理骨子的问题，这对它们的筹算和部署具有紧迫真义。"
参考贵府：世博登录(网站)登录入口官方网站