近期，科技界圍繞蘋果公司發(fā)布的一篇AI研究論文展開了熱烈討論。這篇名為《思維的幻象》的論文，于6月6日問世，迅速引起了專家們的關(guān)注與爭(zhēng)議。

論文中，蘋果公司提出了一項(xiàng)令人矚目的觀點(diǎn)：即便是目前技術(shù)最前沿的大型推理模型（LRMs），在應(yīng)對(duì)復(fù)雜任務(wù)時(shí)也會(huì)遭遇崩潰。這一論斷立即引發(fā)了廣泛討論，其中Open Philanthropy的研究員Alex Lawsen尤為活躍，他對(duì)蘋果的結(jié)論提出了詳盡的反駁。

爭(zhēng)議的焦點(diǎn)集中在蘋果論文所提及的一個(gè)實(shí)驗(yàn)：在處理如漢諾塔問題這樣的復(fù)雜任務(wù)時(shí)，即便是最先進(jìn)的LRMs也會(huì)徹底失敗。漢諾塔問題，作為一個(gè)經(jīng)典的遞歸算法難題，要求將一系列大小不同的圓盤從一個(gè)柱子移動(dòng)到另一個(gè)柱子上，過程中需遵守嚴(yán)格的規(guī)則。

針對(duì)蘋果的這一發(fā)現(xiàn)，Lawsen在其反駁文章《思維的幻象之幻象》中，深入剖析了實(shí)驗(yàn)設(shè)計(jì)的潛在問題。他認(rèn)為，蘋果的研究結(jié)果更多地反映了實(shí)驗(yàn)設(shè)置上的缺陷，而非LRMs推理能力的根本性不足。Lawsen指出，蘋果的研究混淆了輸出限制與評(píng)估設(shè)置的問題，導(dǎo)致了對(duì)模型推理能力的誤判。

為了支撐自己的觀點(diǎn)，Lawsen提出了三大核心質(zhì)疑。首先，他強(qiáng)調(diào)蘋果忽略了模型在處理復(fù)雜任務(wù)時(shí)的Token預(yù)算限制。在處理8盤以上的漢諾塔問題時(shí)，一些模型如Anthropic的Claude Opus已接近輸出極限，甚至因節(jié)省Token而停止輸出。

其次，Lawsen指出蘋果的“過河”測(cè)試中包含無解謎題。例如，當(dāng)角色數(shù)量與船只容量限制不匹配時(shí)，模型因拒絕解答而被扣分。這一設(shè)置無疑對(duì)模型的評(píng)估造成了不公平的影響。

最后，Lawsen批評(píng)蘋果的自動(dòng)化評(píng)估腳本過于僵化。該腳本僅以完整步驟列表為標(biāo)準(zhǔn)，未能有效區(qū)分推理失敗與輸出截?cái)嗟那闆r，導(dǎo)致部分策略性輸出被錯(cuò)誤地判定為失敗。

為了驗(yàn)證自己的觀點(diǎn)，Lawsen重新設(shè)計(jì)了漢諾塔測(cè)試。他要求模型生成遞歸Lua函數(shù)來打印解法，而非逐一列出所有步驟。這一改進(jìn)的測(cè)試方法取得了令人驚訝的結(jié)果：Claude、Gemini和OpenAI的o3模型均能正確生成15盤問題的算法解法，遠(yuǎn)超蘋果報(bào)告中所述的“零成功”界限。

基于這些發(fā)現(xiàn)，Lawsen得出結(jié)論：在去除人為輸出限制后，LRMs在處理高復(fù)雜任務(wù)時(shí)展現(xiàn)出了強(qiáng)大的推理能力，至少在算法生成層面是如此。這表明，問題可能并不在于模型本身，而在于評(píng)估方法的選擇與應(yīng)用。