苹果研究揭示AI大模型推理局限：模式匹配与记忆为主
苹果机器学习研究中心研究发现，现有AI大模型在复杂任务上的推理能力存在局限，依赖于模式匹配与记忆，而非真正的推理能力。
研究背景
苹果机器学习研究中心于当地时间6月6日发表了一篇研究论文，指出现有AI模型并不具备真正的思维能力或推理能力，而是依赖于模式匹配与记忆。
研究方法
研究人员对现有前沿“大型推理模型”进行了系统评估，包括OpenAI o3-mini、DeepSeek-R1、Anthropic的Claude 3.7 Sonnet Thinking和谷歌Gemini Thinking等。
研究结果
研究发现，尽管这些模型在中等复杂度任务上表现出优势，但当问题复杂度超过特定临界点时，模型性能会完全崩溃至“零准确率”。
研究意义
这项研究质疑了当前基于已建立数学基准的LRMs评估范式，强调了需要更加细致的实验设置来探索这些问题。
总结
研究团队提出，模型表现可分为三个阶段：低复杂度任务、中等复杂度任务和高复杂度任务。在低复杂度任务中，传统大模型表现更佳；在中等复杂度任务中，具备思维机制的大型推理模型更占优势；在高复杂度任务中，两类模型均陷入完全失效状态。