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

论文：The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity
链接：https://ml-site.cdn-apple.com/papers/the-illusion-of-thinking.pdf

给LRM设计的另类测试

• 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！

颠覆的三大发现

现象一：越难越想偷懒！

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”（64K token），却选择摆烂躺平。

现象二：三重表现断崖

• 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”

现象三：算法说明书也救不了

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。

思考过程的“迷惑行为”

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！

给我们的红灯警告

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”

我们离真正的思考AI有多远？

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？