仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
LRM也在“假装思考”？
论文开门见山抛出暴论：当前火爆的大推理模型（LRM）（如DeepSeek-R1、Claude思考模式）可能只是在表演“思考秀”。这些模型生成解题步骤时看似逻辑严谨，实则遇到复杂问题瞬间崩溃——就像学生抄作业时把计算过程写满卷子，最后答案却是错的
证据：当问题复杂度超过临界点，模型准确率直接归零
研究者放弃传统数学题，改用4个可控谜题实验室：
汉诺塔（指数级难度）：移动圆盘需2ⁿ-1步
跳棋换位（平方级难度）：（n+1）²-1步
渡河问题：演员经纪人不能独处的约束难题
积木世界：堆叠规划的经典AI测试
这些谜题能精准控制难度层级，还能实时监控思考路径！
当问题复杂度突破临界值（如汉诺塔圆盘>15个），LRM的“思考量”不增反降。明明有充足“脑容量”（64Ktoken），却选择摆烂躺平。
简单题：普通模型反而更快更准（LRM过度思考）
中等题：LRM优势显现（思考机制起作用）
超难题：所有模型集体崩溃
“当前AI的推理能力存在玻璃天花板”
即使把标准答案（如汉诺塔递归算法）喂给模型，崩溃点几乎不变。说明问题不在“找不到方法”，而是根本执行不了连贯逻辑。
通过解析模型的思考轨迹，发现更荒诞的现象：
简单题：早早答对却继续瞎算（强行加戏）
中等题：试错多次后偶然撞对答案（像蒙选择题）
超难题：全程错误路径（大脑彻底死机）
最讽刺的是：LRM在渡河问题上走不过5步，却能完成100步的汉诺塔——暴露其本质是“模式复读机”，而非真正推理！
论文直指行业痛点：
过度依赖数学基准测试（存在数据污染）
把“生成长文本”等同于“强推理能力”
亟需开发逻辑验证内核（非统计学拟合）
作者警告：“当前LRM可能只是通过RL学到的推理模仿术”
结论既扎心又充满希望：
短期：需突破符号推理与执行一致性
长期：或需全新架构（非纯Transformer）
最大启示：能生成“看似合理步骤”≠拥有推理能力
文末留下灵魂拷问：当模型的思考轨迹成为“皇帝的新衣”，我们该如何检测真智能？
备注：昵称-学校/公司-方向/会议(eg. ACL)，进入技术/投稿群
id：DLNLPer，记得备注呦
