苹果公司近期发布研究论文，对当前主流大模型的推理能力提出质疑，认为其本质是“模式匹配”，而非真正意义上的思考。研究团队通过设计汉诺塔、跳棋交换等四类谜题，发现模型在面对复杂问题时，会出现思考深度下降甚至性能崩溃的现象。尽管模型在初期会尝试延长思考时间，但随着问题难度增加，其推理能力并未有效提升。苹果此举引发了对现有大模型评估方法和推理机制的讨论，也反映了其在AI技术领域的探索与思考。

🤔 苹果的研究核心在于质疑现有大模型的推理能力，认为它们并非真正理解问题，而是通过模式匹配来得出答案。

🧩 为了评估模型的推理能力，苹果团队设计了汉诺塔、跳棋交换等四类谜题，并控制其难度。

📉 研究结果表明，当谜题难度增加时，模型的思考深度反而下降，甚至出现性能崩溃，准确率降至零。

快科技6月8日消息，苹果近日发表了一篇研究论文，称推理模型全都没真正思考，无论DeepSeek、o3-mini还是Claude 3.7都只是另一种形式的“模式匹配”，所谓思考只是一种假象。

有人总结到：苹果刚刚当了一回马库斯，否定了所有大模型的推理能力。

苹果团队认为，现有评估主要集中在既定的数学和编码基准上，看模型最终答案是否正确，但可能存在模型训练时见过类似题目。

并且，这些评估大都缺乏对“思考过程质量”的分析，比如中间步骤是否逻辑一致、是否绕弯路等。

为了更客观测试推理模型的推理能力，他们设计了4类谜题环境：汉诺塔、跳棋交换、过河问题、积木世界，并且这4类谜题的难度可以精确控制.

随着问题变难，推理模型初始会延长思考，但随后思考深度反而下降，尽管仍有充足token预算，它们却在最需要深入思考时选择了放弃！

并且，当问题复杂度继续增加并超过某个临界点时，无论是推理模型还是标准模型都会经历完全的性能崩溃，准确率直线下降至零。

对此，有网友讽刺到：“苹果拥有最多的资金，2年了也没有拿出像样的成果，现在自己落后了，却来否定别人的成果。”

据悉，Apple Intelligence在2024年WWDC正式亮相，在这一年里，苹果宣传中的许多功能都经历延期、不够完善甚至被下架。

不过也有人指出，这篇论文没有看上去那么消极，而是呼吁设立更好的推理机制和评估办法。