苹果机器学习研究中心：现有AI大模型依赖模式匹配与记忆，不具备真正推理能力

当地时间6月6日，苹果机器学习研究中心发表论文，指出当前AI模型看似能生成“思考链”，实则依赖模式匹配与记忆，并非真正在推理。研究通过对前沿大型推理模型的系统评估，揭示其推理能力的局限，并质疑现有评估范式，在AI领域引发广泛关注。

苹果研究：现有AI模型推理能力存根本局限
苹果机器学习研究中心于当地时间6月6日发表的论文《思考的幻象：通过问题复杂性的视角理解推理模型的优势与局限》指出，现有AI模型并不具备真正的思维能力或推理能力。研究人员对OpenAI o3 - mini、DeepSeek - R1、Anthropic的Claude 3.7 Sonnet Thinking和谷歌Gemini Thinking等前沿“大型推理模型”进行评估后发现，尽管这些模型能生成详细“思考链”，在中等复杂度任务上有优势，但推理能力存在根本性局限。当问题复杂度超过特定临界点，模型性能会完全崩溃至“零准确率”。此外，在推理过程中，即便有充足推理算力，模型用于“思考”的token数量反而随难度上升而减少。

当前评估范式受质疑，需新实验设置
该研究表明，当前业界对这些模型的评估主要集中在数学和编程基准测试上，关注最终答案的准确性，却忽略了数据污染问题，也无法提供有关内部推理轨迹结构和质量的洞见。为此，研究人员采用了一系列可控的解谜环境，如跳棋交换、过河谜题、汉诺塔、积木世界等，这些谜题可精确操纵组成复杂性，同时保持逻辑结构的一致性，以便深入探究模型是如何“思考”的。

模型在不同复杂度任务中的表现
研究团队提出，模型表现可分为三个阶段：在低复杂度任务中，传统大模型（如Claude - 3.7无思维版本）表现更佳；中等复杂度任务里，具备思维机制的大型推理模型（LRMs）更占优势；而高复杂度任务时，两类模型均陷入完全失效状态。特别是，研究发现LRMs在执行精确计算方面存在局限性，无法使用显式算法且跨不同谜题进行推理时表现出不一致性。

研究意义：引发对AI模型推理本质的思考
总的来说，这项研究不仅质疑了当前基于已建立数学基准的LRMs评估范式，还强调了需要更加细致的实验设置来探索这些问题。通过使用可控制的谜题环境，本研究提供了对语言推理模型能力和局限性的深刻见解，并为未来的研究指明方向。诚如研究人员所说，“这些发现突出了现有LRMs的优点和局限性，引发了关于这些系统推理本质的问题，这对它们的设计和部署具有重要意义”。