苹果的AI 研究团队这次真的翻车了！
他们最近发布的一篇论文引发了AI 圈的集体吐槽，原因竟然是测试方法出了大问题。
见前文：苹果宣判推理模型死刑！Google CEO：忘了AGI吧，先用好AJI
研究者Lisan al Gaib在复现苹果论文中的汉诺塔（Tower of Hanoi）测试后发现了一个惊人的事实：模型根本不是因为推理能力不行而失败，而是因为输出token限制！
要知道，汉诺塔问题需要至少2^N – 1步才能解决，而输出格式需要每步10个token外加一些固定内容。
这意味着什么？
对于Sonnet 3.7（128k输出限制）、DeepSeek R1（64K）和o3-mini（100k），当盘子数超过13个时，所有模型的准确率都会变成0——不是因为它们不会解，而是物理上就输出不了那么多内容！
更讽刺的是，当问题规模变大时，模型们的反应非常人性化。它们会直接说：「由于移动次数太多，我将解释解决方法而不是列出所有32,767步」。
这就像让一个数学家在一张A4纸上写下一百万个数字，然后说他数学不行一样荒谬！
Lisan al Gaib还尝试了将问题分解成更小的块，每次只让模型执行5步。
结果呢？
使用Gemini 2.0 Flash测试后发现，分解反而让性能变得更差。
模型在处理过程中会迷失在算法里，重复执行某些步骤。
虽然汉诺塔理论上是无状态的（每一步的最优移动只依赖当前状态），但模型需要历史记录才能知道自己执行到哪里了。
研究还发现了一个有趣的现象：在9-11个盘子时，token使用量会达到峰值。
为什么？
因为这正是模型们开始说「我才不要写下2^n_disks – 1步」的临界点。
在此之前，模型们也不是在逐步推理。
对于5-6个盘子的小问题，还能看到一些推理过程。但超过这个规模后，它们基本就是：复述问题→复述算法→打印步骤。到了10-11个盘子，就开始拒绝输出所有步骤了。
最离谱的是苹果论文的结论。
他们声称汉诺塔比其他测试更难，是因为训练数据的问题。但Lisan al Gaib指出：
这完全是胡说八道！
模型在思维链中明明白白地背诵了算法，有的甚至用代码形式展示出来。汉诺塔需要指数级的步骤（2^n），而其他游戏只需要二次方或线性的步骤，这并不意味着汉诺塔在推理上更困难。
不同游戏的单步难度是不一样的，不能简单地用步骤数来判断难度！
其他研究者也加入了吐槽大军。
Shin Megami Boson直言这篇论文「sucks ass」，他通过让模型使用工具，在苹果评为0%准确率的复杂度上达到了100%的准确率——
而且用的还是更弱的模型！
他的实验结果图「看起来像什么都没有」，因为就是一条100%准确率的直线。
他总结道：「他们试图用锤子拧螺丝，然后写了篇论文说锤子在固定东西方面其实很有限。」
而最让我气愤加失望的是，苹果似乎在努力证明AI有问题，而不是去用AI 改进用户体验。
Pliny the Liberator（@elder_plinius）的吐槽一针见血：
在Siri能做到不止是第四次尝试才成功创建日历事件之前，我不会读任何来自库比蒂诺那个巨大陈腐甜甜圈的AI研究论文。
他接着说：
如果我是苹果CEO，看到我的团队发表一篇只专注于记录当前方法局限性的论文，我会当场解雇所有参与者。谁他妈在乎这个。去想办法突破它们！
Luci Dreams（@Luci_Drea）调侃道：
「我们没有好的AI，所以看看你们AI的缺陷，别玩得太开心了」
Chris Fry（@Chrispyfryz）质疑：
说真的，他们在那边到底在干什么
R（@rvm0n_）表示：
我无法理解他们怎么搞砸得这么厉害
Freedom_Aint_Free（@baianoise）的比喻更是精准：
这就像起亚的工程师写论文说丰田车无法在没有大修的情况下跑200万英里
Ben Childs（@Ben_Childs）幽默地说：
看，苹果确实有AI，而且很棒。他们只是在另一所高中上学。你不会认识她的。
SPUDNIK（@tuber_terminal）模仿Siri的语音识别错误：
「好的，所以你想让我在勺子日的六点火腿创建一个应用软膏？我应该创建它吗？」
苹果正在被Tim Cook「Cook」了——这些研究人员花时间证明AI有问题，而不是去改进用户体验。
你说，Cook 是不是该裁了这帮人？
（文：AGI Hunt）