苹果错失大模型版Siri 推理模型研究引争议

今日，苹果WWDC25开发者大会明确了大模型版Siri跳票的消息，引发了市场对苹果AI进展的失望。与此同时，一篇由苹果发布的关于大型推理模型的新论文也成为热议焦点。论文提出了一个备受争议的结论——在处理复杂问题时，多个主流大语言模型，如Claude 3.7 Sonnet和DeepSeek-R1，可能会出现推理崩溃，甚至达到接近零的准确性。这一发现对大语言模型应用与AI智能体构建平台的开发提出了新的反思与挑战。

在实验中，苹果研发团队测试了Claude 3.7 Sonnet、DeepSeek-R1，以及o3 mini等模型。不同于传统基准测试的方式，测试团队选择了一种全新实验环境进行研究，设计25个谜题实例来探索AI智能体开发平台在高复杂性任务中的性能变化。他们通过调整问题规模控制推理问题的复杂性，并逐步测试模型的表现。研究显示，随着问题复杂性接近临界值，模型会出现明显的偷懒现象，甚至在高复杂任务中完全崩溃，准确性急剧下降。

深究推理模型的性能：实验中的设计与发现

实验结果表明，测试的主流推理模型在接近复杂度上限时出现了明显的崩溃模式。特别是在需要逻辑拆解和深度推理的环境中，模型的过度思考导致了更糟的表现。这一结果对包括DeepSeek在内的AI智能体开发平台提出了强烈挑战，因为这些问题反映出当前推理模型在泛化能力上的明显不足，尤其是在需要动态调整逻辑与记忆能力的高复杂度应用场景。

高复杂度任务的崩溃性表现：DeepSeek引发争议

为了揭示过度思考和崩溃模式的成因，苹果团队通过谜题模拟器对推理模型的内部思考轨迹进行了细粒度分析。这种分析帮助研究者捕捉到模型在中间步骤探索中的决策偏差。然而，该论文的结论也受到业内人士的广泛质疑，包括实验设计逻辑、过程论述以及测试示例选择的单一性。例如，实验环境中使用的确定性谜题模拟器假设模型能够一步步地完美验证答案，但这一设定在真实的非结构化领域可能难以实现，从而限制了分析的实际适用性。

苹果的研究直接指出了当前主流大模型应用的核心瓶颈，即在跨越高复杂性和非结构化任务时的泛化能力不足。这一发现也为更具场景适配力的AI智能体平台提出了明确的研发方向，包括如何通过技术创新优化推理逻辑、提升模型性能。

如有侵权，请联系删除。