當(dāng)Gemini在代碼編輯器中反復(fù)調(diào)試時(shí)，突然陷入自我否定的循環(huán)，連續(xù)86次重復(fù)輸入"Iamadisgrace"，這個(gè)場(chǎng)景讓無(wú)數(shù)開(kāi)發(fā)者感同身受。類似的情況在AI應(yīng)用中屢見(jiàn)不鮮：撰寫(xiě)長(zhǎng)篇報(bào)告時(shí)前半段邏輯嚴(yán)密，后半段卻突然混亂；規(guī)劃旅行路線時(shí)訂票環(huán)節(jié)正常，計(jì)算總費(fèi)用時(shí)卻出現(xiàn)離譜錯(cuò)誤。這些現(xiàn)象引發(fā)了人們對(duì)大模型真實(shí)能力的質(zhì)疑：它們是否真的具備可靠的推理能力，還是僅僅擅長(zhǎng)制造表面合理的假象？

劍橋大學(xué)與斯圖加特大學(xué)等機(jī)構(gòu)聯(lián)合開(kāi)展的研究，為解開(kāi)這個(gè)謎題提供了關(guān)鍵線索。研究團(tuán)隊(duì)通過(guò)精密設(shè)計(jì)的實(shí)驗(yàn)發(fā)現(xiàn)，大模型在復(fù)雜任務(wù)中的失敗并非源于"思考幻覺(jué)"，而是執(zhí)行環(huán)節(jié)的脆弱性。就像經(jīng)驗(yàn)豐富的工匠懂得所有步驟，卻在實(shí)際操作中頻繁出錯(cuò)，AI模型在執(zhí)行連續(xù)任務(wù)時(shí)表現(xiàn)出驚人的不穩(wěn)定性。

實(shí)驗(yàn)設(shè)計(jì)堪稱"極簡(jiǎn)主義"：研究人員為模型提供完整字典（每個(gè)單詞對(duì)應(yīng)唯一數(shù)字）和初始數(shù)值，要求模型在每輪任務(wù)中根據(jù)指定單詞查詢數(shù)值并累加。這個(gè)連小學(xué)生都能輕松完成的任務(wù)，剝離了所有規(guī)劃與知識(shí)獲取的變量，純粹測(cè)試模型的執(zhí)行能力。結(jié)果令人震驚：除兩個(gè)最小模型外，所有模型在首輪執(zhí)行中均保持100%準(zhǔn)確率，但到第15輪時(shí)，即便最先進(jìn)的Qwen3-32B模型準(zhǔn)確率也跌破50%。

研究揭示了一個(gè)惡性循環(huán)機(jī)制：當(dāng)模型在執(zhí)行過(guò)程中出現(xiàn)首次錯(cuò)誤后，這個(gè)錯(cuò)誤會(huì)像滾雪球般影響后續(xù)所有操作。研究人員通過(guò)主動(dòng)注入錯(cuò)誤發(fā)現(xiàn)，錯(cuò)誤注入比例越高，模型后續(xù)表現(xiàn)越差，形成自我強(qiáng)化的失敗模式。這解釋了為何AI在撰寫(xiě)長(zhǎng)文時(shí)，一個(gè)初始數(shù)據(jù)的錯(cuò)誤會(huì)導(dǎo)致全文偏離主題；也說(shuō)明為何參數(shù)量超過(guò)2000億的Kimi-K2、Qwen3-235B等巨型模型，在面對(duì)歷史錯(cuò)誤時(shí)反而表現(xiàn)更糟。

但研究同時(shí)帶來(lái)了轉(zhuǎn)機(jī)：?jiǎn)尾綀?zhí)行準(zhǔn)確率的微小提升，能帶來(lái)任務(wù)處理能力的指數(shù)級(jí)增長(zhǎng)。軟件工程數(shù)據(jù)顯示，前沿模型的任務(wù)處理長(zhǎng)度每7個(gè)月就翻倍增長(zhǎng)。更關(guān)鍵的是，"思考型模型"展現(xiàn)出突破性潛力——這類模型在輸出結(jié)果前會(huì)進(jìn)行內(nèi)部驗(yàn)證，如同人類做事前先打草稿。實(shí)驗(yàn)數(shù)據(jù)顯示，DeepSeek-V3普通版僅能穩(wěn)定執(zhí)行2步任務(wù)，而其思考版R1可完成200步；GPT-5Thinking單輪執(zhí)行達(dá)1000步，Claude-4-Sonnet也能穩(wěn)定處理432步。

這種改進(jìn)源于雙重機(jī)制：強(qiáng)化學(xué)習(xí)使模型更關(guān)注任務(wù)成功而非文本連貫性，每輪思考前的"歷史清零"則有效阻斷錯(cuò)誤傳播。這類似于工匠在每道工序前檢查工具，而非盲目推進(jìn)。研究顛覆了傳統(tǒng)認(rèn)知：在追求模型智能化的同時(shí)，執(zhí)行穩(wěn)定性同樣關(guān)鍵。特別是對(duì)于需要處理數(shù)百步連續(xù)任務(wù)的智能體開(kāi)發(fā)（如自動(dòng)編程、醫(yī)療流程管理），執(zhí)行力已成為核心競(jìng)爭(zhēng)力。

參數(shù)量的持續(xù)增加并非盲目擴(kuò)張，而是積累"長(zhǎng)任務(wù)耐力"。當(dāng)單步準(zhǔn)確率從70%提升至80%時(shí)，模型可穩(wěn)定處理的任務(wù)長(zhǎng)度能從幾十步躍升至數(shù)百步。這種看似緩慢的進(jìn)步，實(shí)則蘊(yùn)含著質(zhì)的飛躍。隨著思考型模型的普及，AI或許很快就能擺脫"紙上談兵"的形象，真正成為能可靠完成復(fù)雜任務(wù)的實(shí)用工具。