近年来，随着人工智能领域尤其是大型语言模型的发展，关于这些模型推理能力的讨论愈加激烈。苹果公司发布的一篇名为《思维的幻觉》的论文引发了广泛关注，声称随着任务复杂性的增加，大型语言模型的推理能力出现了显著的衰退，似乎预示着人工智能推理进入了一道不可逾越的门槛。然而，深入分析这项研究及其背后的实验方法后，我们会发现，这种推断存在诸多误区，所谓的推理能力崩溃更多是由评估设计的局限性所致，而非模型本身的根本缺陷。苹果的论文主要观点是，大型语言模型在处理复杂任务时，其表现会随着问题规模和步骤数的增加而快速下降。例如，在经典的“河内塔”问题中，当盘子的数目达到一定规模，模型生成完整解决方案的能力似乎骤然消失。看似直观，但问题的核心并不在于模型无法推理，而是在于实验设计将输出令牌长度与推理难度等同起来，这种混淆导致了结论的偏差。
所谓的输出令牌限制是当前所有语言模型的现实瓶颈。任何需要生成数万步解决方案的任务，都会面临模型实际输出长度的约束。苹果研究用8个盘子的河内塔问题作为低难度，15个盘子时作为高难度的标尺。事实上，15个盘子所需的合法移动步数多达三万余步，远远超出了当代模型通常的最大输出限制。因此，模型在达到该限制时选择提前停止，按苹果的评分标准算作“失败”。然而，仔细观察模型的输出文本，可以发现很多时候模型清楚地意识到自己受限，谨慎地避免无病呻吟的冗余表达，这实际上恰恰符合训练中的简洁输出和资源节约规范，根本不是推理崩溃。
另一经典测试任务——“渡河难题”——进一步暴露了苹果论文的评估漏洞。该测试中一些设置是已知无解的，例如存在6个实体和只能载3个的船，这使得问题本身没有合理解答路径。讽刺的是，当模型正确指出问题无解时，反而被计分系统判定为错误，似乎奖励了错误的盲目尝试，而处罚理性的拒绝。这种二分法的评分体系，无法分辨模型是真正理解逻辑却选择避免冗长，还是简单地产生了无意义的错误答案。更糟糕的是，评分机制甚至可能让生成大量冗杂但错误步骤的答案得分更高，而给予准确但简明的结果极低分，严重扭曲了评估对模型推理能力的衡量。值得关注的是，针对苹果论文，社区内立即出现了反驳声音，提出了替代的提示设计和评估方式。
一篇名为《思维幻觉的幻觉》的回应论文指出，当不要求模型逐步输出所有动作，而改为让模型直接生成实现任务的递归函数时，同样的模型能够在5000个令牌内完美表达15个盘子河内塔问题的解决逻辑。此举证明，所谓的推理崩溃仅仅是由于提示设计和量化策略的限制，而非模型认知能力的真实衰退。事实也验证了输出长度与推理复杂度并非成正比关系。河内塔问题需要推理却会产生指数级的输出，而渡河难题虽然推理复杂，但输出长度却很简短。这两者被强行纳入同一评估维度，不合理的评价标准终将导致误判。由此可见，我们需要警惕将实验结果过度滥用的风险。
苹果的研究虽然揭示了大型语言模型在面对超长输出限制时的弱点，但其结论被部分解读为推理能力本质上的极限，而这种解读忽视了实验设计的偏差。未来的评测体系必须能区分模型在逻辑推理和输出压缩之间的表现差异，兼顾简洁性与有效性，才能更真实地反映人工智能的思维能力。大型语言模型同样确实存在推理难题，例如处理多步骤推导的连贯性、持久记忆能力的限制以及对某些抽象逻辑的不稳定表现，但这些问题的揭示需要更为精准且多维度的评测手段，而非单一视角下的任务失败次数统计。总结来看，思维的“崩溃”其实源自对实验框架和测量标准的误解。真实的推理能力远比输出长度或表面任务完成情况复杂且深刻。理解这种 nuance，能够帮助科研人员设计更具包容性的测试，也让业界和公众正确认识语言模型的潜力与局限。
未来人工智能的发展，离不开对其认知机制的准确剖析和合理评估，唯有摒弃表面幻觉，才能洞察技术发展背后的真实图景。
