20世紀(jì)初，據(jù)說存在一匹會算數(shù)的馬，被稱為「聰明的漢斯」，但經(jīng)過心理學(xué)家馮斯特的研究，最終發(fā)現(xiàn)這匹馬其實是通過觀察提問者無意識的肢體語言（如呼吸變化）來停止踩蹄，并非真正理解數(shù)學(xué)。

如今，我們發(fā)現(xiàn)，大模型會呈現(xiàn)出推理行為，甚至還存在Aha時刻這樣的「頓悟現(xiàn)象」。

這會不會是大模型表現(xiàn)的如同「聰明的漢斯」那樣，依賴提示詞中的表面模式，而非真正具有了推理能力，DeepMind的最新研究揭示了大模型推理能力令人擔(dān)憂的一面。

論文鏈接：https://arxiv.org/abs/2506.10979

大模型無法識別推理中犯的錯

首先將大模型的的無效思考進(jìn)行了分類，第一類稱為無信息內(nèi)容，例如當(dāng)我們使用推理大模型時，偶然會發(fā)現(xiàn)大模型的思路跑偏。

例如大模型化身廢話文學(xué)大師，在推理過程中輸出正確但與實質(zhì)解題無關(guān)的信息，例如問大模型如何計算地球到月球的距離？

模型在推理過程中顯示：嗯，這個問題很有意思。首先我要認(rèn)真思考，分步驟解決?；貞浵孪嚓P(guān)知識，可能需要某些公式。仔細(xì)想想，答案應(yīng)該藏在某個地方。

第二類被稱為無關(guān)內(nèi)容，即思考過程完全偏離原問題，回答與當(dāng)前無關(guān)的問題。

第三類是誤導(dǎo)內(nèi)容，即問題被微妙篡改，導(dǎo)致要解決的問題不是提示詞給出的那個，第四類可稱為錯誤內(nèi)容，即推理過程中存在事實錯誤或邏輯錯誤，導(dǎo)致回答出錯。

該研究首先考察了不同大模型分辨這四種無效思考的準(zhǔn)確性。

圖1 用不同參數(shù)大小的蒸餾Deepseek R1模型，對無效思考內(nèi)容進(jìn)行分類的準(zhǔn)確性

結(jié)果出乎意料，圖1的左邊顯示的是模型識別無效思考的準(zhǔn)確性，結(jié)果顯示對于錯誤內(nèi)容類型的無效思考，不管是7B還是70B的大模型，其識別準(zhǔn)確性都不到三成，這意味著推理大模型目前無法處理自身推理中的錯誤，也無法獨立驗證其推理過程是否正確。

而不同參數(shù)大小的推理大模型對無關(guān)內(nèi)容，無信息內(nèi)容的識別程度都很高。

越大的模型越難恢復(fù)

圖1右邊顯示的結(jié)果，則顛覆了大模型越大效果越好的常規(guī)。

當(dāng)研究人員向大模型強行注入無效思考后，大模型在從注入的無效思考恢復(fù)時，并非參數(shù)量越大的大模型恢復(fù)概率越高，尤其在短無關(guān)內(nèi)容（Irrelevant 10%）上。

即大模型反而比小模型更容易被帶偏，仿佛大模型也會如人類一樣「走神」。

對比大模型面對注入不同類型的無效思考后的恢復(fù)表現(xiàn)，模型性能斷崖下跌（最大跌幅92%），尤以無關(guān)內(nèi)容（Irrelevant）和誤導(dǎo)內(nèi)容（Misdirecting 100%）最甚。

具體到數(shù)學(xué)，科學(xué)及編程三類常見的大模型基準(zhǔn)測試中，當(dāng)研究人員向大模型推理過程中插入了10%的無關(guān)內(nèi)容后，Deepseek R1，S1及EXAONE這三種大模型都出現(xiàn)了上述的反規(guī)模效應(yīng)（Inverse-scaling）。

圖2d對比了不同插入無效思考的長度差異會對模型恢復(fù)能力帶來的影響，結(jié)果顯示干擾文本越短（10%長度），小模型恢復(fù)優(yōu)勢越顯著；干擾越長（100%），規(guī)模效應(yīng)趨于平緩。

圖2 不同的大模型在數(shù)學(xué)，科學(xué)即編程基準(zhǔn)數(shù)據(jù)集上面對推理過程中插入的無效思考的恢復(fù)能力

當(dāng)研究人員在大模型的思考過程中施加外部干預(yù)，即增加提示詞：但等等，我再想想（But wait, let me think again）后，模型果然表現(xiàn)出了一定程度的啊哈時刻。

模型有100%的概率從誤導(dǎo)信息類的無效思考中恢復(fù)，對于其它幾類也有所幫助（圖3a），然而相比在沒有注入錯誤思考的時的模型性能，還是存在限制下降的，尤其是對于誤導(dǎo)信息和錯誤內(nèi)容兩種無效思考（圖3b）。

圖3 通過引入阿哈時刻，衡量大模型面對各類無效的恢復(fù)能力

推理大模型的上述缺陷，為黑客攻擊大模型提供了新的軟肋，黑客可以通過污染AI的"思考過程"（而不是直接改問題）來操控答案。面對這種攻擊，小模型反而比大模型有更強的抵抗力。

當(dāng)攻擊者將將有害請求偽裝成模型的思考片段（如虛構(gòu)故事設(shè)定）后，如圖4a所示，小模型（7B）攻擊成功率最低（深綠「未分心」占比30%），而大模型（32B+）更易輸出有害回答（紅色「有害回答」占比>60%）。

圖4b對比了傳統(tǒng)的在輸入過程中攻擊大模型與在思考過程中攻擊，結(jié)果與之前的觀點一致，即傳統(tǒng)輸入攻擊（Attack-in-Input）：大模型防御更強，而面對思考注入攻擊（Attack-in-Thought）：大模型更脆弱，呈現(xiàn)反規(guī)模效應(yīng)，這意味著對于思考過程，推理大模型需要設(shè)立單獨的防御機制，不能依靠參數(shù)量來確保模型的安全性。

圖4 推理大模型面對不同類型的攻擊時的表現(xiàn)

該文的開篇，筆者提到「聰明的漢斯」，如今當(dāng)我們看到大模型展現(xiàn)出比肩甚至超越人類的推理能力時，這項來自DeepMind的研究卻提醒我們，大模型或許如果硅基版的會算數(shù)的馬，其推理能力部分來自對與人類互動的提示詞的細(xì)節(jié)根據(jù)模板進(jìn)行匹配。

其是否真的具有如人類的推理能力，還存在疑問，畢竟大多數(shù)人不會如大模型一樣，被無關(guān)的，誤導(dǎo)的甚至錯誤的思考過程影響而不可自拔。

當(dāng)不懷好意者在思考過程中加入無關(guān)內(nèi)容后，即使大模型能夠識別出問題，也會被帶偏，而越大的模型有更多的模版庫，因此更有可能在思考過程跑偏（走神）后成為犯錯卻死不回頭的杠精。

這些發(fā)現(xiàn)突顯了當(dāng)前推理模型在「元認(rèn)知」和從誤導(dǎo)性推理路徑中恢復(fù)方面存在很大的改進(jìn)空間，這是開發(fā)更安全和更可靠的大規(guī)模推理模型時的一個關(guān)鍵考慮因素。