一项由苹果研究人员主导的新研究，对当前被寄予厚望的大型推理模型（LRM）泼了一盆冷水。
研究发现，在解决复杂任务时，像 Claude3.7Thinking 和 Deepseek-R1等专为“模拟思维过程”设计的推理模型，不仅未能展现出优势，反而出现“思考不足”、性能崩溃等严重问题。
这项研究测试了四种经典逻辑谜题:汉诺塔、跳棋、渡河与积木世界。这些谜题允许精确控制任务复杂度，是衡量语言模型推理能力的理想场景。结果显示，标准 LLM 在简单任务中准确率更高且效率更高，而当复杂度升高，推理模型虽表现稍有提升，但最终同样在高复杂度下全面崩溃。
更令人意外的是，这些模型在面对最复杂任务时，不仅准确率下降为零，反而使用了更少的推理标记（tokens）。换句话说，它们“思考”的意愿和能力反而降低了。
研究团队绘制了模型在不同复杂度下的推理轨迹，揭示了两种典型失败模式:过度思考:在简单问题中，模型找到答案后仍持续生成错误备选方案;思考崩溃:在高复杂度问题中，推理过程戛然而止，连尝试路径都无法生成。
虽然推理模型借助“思路链”“自我反思”等机制被认为是通往通用人工智能（AGI）的一步，但苹果的研究指出:这些机制在扩展性上存在根本缺陷，目前的推理模型无法制定出具备通用性的策略，其“思考”更多是统计上的生成，而非真正的逻辑演绎。
研究还发现，不同谜题的表现也与训练数据相关。例如，出现在训练数据中较多的“汉诺塔”任务，其准确率普遍高于复杂度相似但数据稀少的“渡河”任务。这凸显了当前模型对训练分布的高度依赖性。
苹果研究人员最终指出:“当前推理模型的‘思维能力’存在与问题复杂度相对的不对称扩展性，在结构上无法支撑高阶任务的解决。”他们建议，对推理模型的核心设计原则应进行重新思考。
这一发现对行业影响深远。随着 AI 模型规模扩展收益趋于饱和，推理能力被视为通向下一阶段 AI 革命的关键，包括 OpenAI 在内的多家头部企业均在此方向押下重注。如今，这项研究提醒人们:在走向真正“理解”和“推理”的路上，AI 仍面临根本性的技术挑战。
