📌 核心问题：推理模型真的在「思考」吗？

近年来，以 o1、DeepSeek-R1、Claude 3.7 Sonnet 为代表的大推理模型（Large Reasoning Models, LRMs）成为 AI 领域的焦点。它们通过生成详细的思维链（Chain-of-Thought）来「思考」，在数学和编程基准上表现亮眼。但一个根本性问题始终悬而未决：这些模型真的在推理，还是只是在记忆模式？

Apple 团队（Parshin Shojaee、Iman Mirzadeh、Samy Bengio 等）发表了一篇极具争议的论文，通过可控的谜题环境（如汉诺塔、跳棋等）精确操控组合复杂度，首次系统性地揭示了推理模型的能力边界和根本局限。论文在 AI 圈引发激烈讨论——Anthropic 等机构随后发文反驳，形成了 2025 年最重要的技术论战之一。

现有评估主要依赖数学和编程基准，关注最终答案准确率。但这种方法容易受到数据污染，且无法揭示推理过程的质量和结构。Apple 的论文首次将分析从「答案对不对」转向「推理过程是否有效」，通过精确控制的实验环境打开了推理模型的「黑箱」。

📊 关键数据：三个性能区间与意外的推理崩塌

论文在多个谜题上进行大规模实验，揭示了三个关键发现：

  • 低复杂度任务：标准 LLM 反而优于推理模型 — 推理模型的「过度思考」在简单问题上是负担
  • 中等复杂度任务：推理模型的思维链带来优势 — 这是 LRM 真正有价值的区间
  • 高复杂度任务：所有模型完全崩塌 — 推理努力在达到某个临界点后反而下降

最反直觉的发现是「推理努力衰减」现象：随着问题复杂度增加，推理模型的思考量先增后降，最终在仍有充足 token 预算的情况下停止推理。这表明模型存在某种内在的「放弃机制」，而非被资源限制。

🏗️ 技术架构与实验设计

  • 可控谜题环境：选择汉诺塔、跳棋、积木世界等经典 AI 谜题，可精确控制组合复杂度，同时保持一致的逻辑结构
  • 推理过程分析：不仅评估最终答案，还深入分析推理链的结构、模式和效率
  • 对比实验设计：在相同推理计算量下，对比 LRM 与标准 LLM 的表现，分离「思考」的真实贡献
  • 计算行为分析：研究模型探索解决方案的模式，发现 LRMs 在精确计算方面存在根本限制，无法有效使用显式算法
  • 跨谜题一致性检验：在多种谜题上验证结论的普适性，而非仅在单一任务上做文章

🔑 关键洞察

🔑 洞察一：推理不是万能药

论文证明了「Extended Thinking」并非银弹。在简单任务上，推理模型的额外思考是冗余的；在高复杂度任务上，思考链反而可能引入错误。这意味着模型选择应根据任务复杂度动态调整，而非一味追求更长的推理过程。

🔑 洞察二：推理模型无法进行精确计算

LRMs 在需要精确算法执行的任务上表现糟糕。它们无法可靠地实现显式算法（如递归、动态规划），更多是在「直觉式」地生成近似解。这揭示了当前推理模型与真正符号推理系统之间的本质差距。

🔑 洞察三：推理努力的「自限性」现象

最令人意外的发现：推理模型在面对超出能力范围的问题时，会主动减少推理努力。这不是 token 预算的限制，而是模型的内在行为。这暗示推理模型可能存在某种「能力天花板感知」，或者其推理策略在复杂度超过阈值后失效。

🔑 洞察四：评估范式需要根本变革

现有 benchmark 侧重最终准确率，无法区分「真正推理」和「模式匹配」。论文呼吁建立更细粒度的推理过程评估体系——不仅看答案是否正确，还要看推理路径是否合理、是否使用了正确的算法、推理是否具有可解释性。

💭 引发思考

这篇论文对当前 AI 行业的「推理崇拜」提出了严肃质疑。如果推理模型的核心优势——更长的思考过程——在关键场景下失效，那么整个 Scaling Law for Reasoning 的叙事需要重新审视。论文引发了 Anthropic 等机构的反驳（arXiv:2507.01231），形成了 2025 年最重要的技术辩论，推动社区从「能不能推理」转向「如何更好地推理」。

对于工程实践而言，论文的启示是务实的：在部署推理模型时，需要根据任务复杂度选择合适的模型和推理深度，而非盲目追求更强的推理能力。真正的突破可能不在于让模型「思考更多」，而在于让模型「思考得更对」——结合符号推理、工具调用和结构化验证，而非纯粹依赖神经网络的隐式推理。

📎 相关阅读

逍遥云初 | 2026.06.16