剑桥揭开大模型翻车黑箱！别再怪它不懂推理，是行动出错了

【导读】为什么大模型，在执行长时任务时容易翻车？这让一些专家，开始质疑大模型的推理能力，认为它们是否只是提供了「思考的幻觉」。近日，剑桥大学等机构的一项研究证明：问题不是出现在推理上，而是出在大模型的执行能力上。

大模型也有「EMO」时刻。

比如，Gemini在Cursor里调试编译错误后，打开了自责「循环模式」，把「I am a disgrace（我很丢脸）」重复了86次。

尽管大模型在复杂推理能力上已有了巨大进步，但上述现象仍使一部分专家认为：

思考模型，只提供了「思考的幻觉」，因为当任务被拉长时它们最终会失败。

近日，剑桥大学等机构的一项研究对这些「翻车」现象作出解释，研究者认为：

问题不在于大模型的推理能力，而在于其执行计划的能力。

边际收益递减的错觉：衡量大语言模型的长时程任务执行能力https://arxiv.org/pdf/2509.09677

也就是说，大模型出现问题未必是源于「思考的幻觉」，而更可能是执行阶段「打滑」了。

研究人员发现，单步准确率的小幅提升，会复利式地放大你能完成的总步骤数，使任务「里程」指数级变长。

随着步骤数量增加，模型的每步准确率会下降——不仅仅是「上下文太长」，还有一个更「诡异」的现象：自条件化效应（self-conditioning）。

所谓「自条件化」，当上下文里包含模型先前犯过的错，将导致它在后续过程中会更容易再犯错。

任务变长就失败

只因模型不会推理？

业界正竞相打造能够处理整个项目而非孤立问题的智能体，随之而来的一个根本问题是：

如何度量大模型能可靠执行的步骤数量？

任务一变长，就失败。是因为大模型「不会推理」吗？

研究人员认为，大模型在早期多步中能正确遵循指令，说明其具备按计划执行的能力。

这也证明，大模型不是失败在了推理上，而是在执行上：

随着任务变长，模型在执行计划时更可能出错。

目前，大量研究聚焦于大模型的推理能力，而对执行稳定性关注不足。

这一点，随着大模型被用于长推理与智能体任务，重要性也正日益上升。

单步稳一点，长跑多一截

长视界任务需要大量步骤，其中任务长度，即为完成任务所需的步骤数。

研究人员通过下面几个指标来评估性能：

• 步骤准确率（Step Accuracy）：度量在第i-1步到第i步的状态更新是否正确的样本占比，而不考虑模型在第i-1步的状态是否正确；

• 轮次准确率（Turn Accuracy）：一轮是与模型的一次交互，可能需要执行多个步骤。轮次准确率度量在第t-1轮到第t轮的状态更新是否正确的样本占比，而不考虑模型在第t-1轮的状态是否正确；

• 轮次复杂度（K）（Turn Complexity）：定义为模型每轮必须执行的步骤数；

• 任务准确率（Task Accuracy）：度量模型在执行i个步骤的过程中不犯任何错误、从而完成任务的样本占比；

• 视界长度（Hs）（Horizon Length）：给定成功率阈值0 ≤ s ≤ 1。将模型的视界长度定义为模型在第i个步骤处的平均任务准确率降到低于概率s的位置。

如图2所示，模型在超过50%准确率下可执行的任务长度，在单步准确率超过70%后，随单步准确率增加，而呈现快于指数的增长。

图3显示了如何把「长视界任务」，抽象为一串可控的小步骤，以及如何只测「执行力」，而不掺杂「规划力」。

左图中，该框架将长视界任务建模为一系列「先检索、再合成」的步骤。

右图中，研究人员设计了一个简单任务，用以将规划与执行解耦：

每一轮以键（key）给出计划，要求模型检索对应值（value），并计算累计和。

该推导表明，即便在问答类任务上准确率的提升似乎在放缓，仍然可以在更长的任务上预期得到巨大的收益。

例如，在软件工程任务上，前沿模型在s=0.5时的视界长度呈指数增长，每7个月翻一番。

研究人员认为，单轮或短任务基准，在评估进一步投资LLM算力收益时，可能制造出「进展放缓」的错觉，而模型可完成的任务长度，是更能指示经济价值的指标，它们却可能在快速增长。

只考「执行力」

把规划和知识先拿掉

研究人员把「要做什么」（规划）和「知道什么」（知识）都喂给模型，只考它能不能稳定地把步骤一口气做完。

这样就能纯粹度量LLM的长视界执行能力。

以订机票为例。

现实中，订机票不是一句「帮我订」就完了，它是一串流程：

• 打开某个航班详情；

• 核对起降时间、行李额度、转机时长、准点率、口碑；

• 套用里程、会员、优惠券；

• 在「价格×时长×偏好」的权衡里做选择。

其中的每一步，都要先「检索」信息/调用工具，再把新信息与当前判断融合。

评完一个航班是一次执行；评完多条备选航班直到下单，是一段长视界执行。

经常会有人将执行失败归因到「不会推理/不会规划」。

研究人员则认为，就算推理、规划和世界知识都完美，LLM在长链条上仍可能因为「执行不稳」而失误。

因此，他们将执行单独拎出来测——把计划和知识都显式提供，只让模型照做。

研究人员首先验证这样的假设：

即便在不需要世界知识与规划的任务上，长视界执行也会很难。随后，再研究扩大模型规模对长视界执行的益处。

研究人员评估了Qwen3、Gemma3模型家族。

在实验中，研究人员将轮次复杂度设置为最简单形式（K=1），每轮仅提供一个键，并改变轮次数量。

结果1：长视界执行仍然很具挑战性。

如图4所示，除了Gemma3-4B与Qwen3-4B外，所有模型在第一步的准确率均达到了100%，表明它们具备完成我们任务单步所需的知识与推理能力。

然而，任务准确率在后续轮次迅速下滑。

即便是表现最好的Qwen3-32B，其准确率也会在15轮内跌到50%以下。

这证实了研究人员的假设：

即便移除了规划和知识需求，长视界执行依然很难。

如图4，研究人员改变模型规模，并研究随着轮次数增加的完整任务准确率（a）与逐轮准确率（b）。

粗体线是5轮的滑动平均。

虚线（b）中的逐轮准确率显示除了最小的模型外，任务的单步准确率都是100%。

然而，随着轮次数增加，小模型与大模型的性能差距拉大（a），后者拥有显著更长的视界长度（c）。

结果2：扩大模型规模的收益并不递减。

如图4（a）所示，更大的模型能在更多轮次上保持更高的任务准确率，从而带来清晰的视界长度缩放趋势（图4（c））。

这验证了两点重要结论：

长视界执行是困难的；

扩大模型规模，能显著增加模型可正确执行的轮次数。

自条件化效应

为什么轮次准确率会退化？

人们可能会期望，模型会在逐轮中保持恒定。

然而，图4（b）显示，随着轮次数增加，各轮的准确率稳步下降。

研究人员考察两个相互竞争的假设：

无论上下文内容如何，模型的性能仅仅由于上下文变长而退化。

模型会基于其过去的错误自条件化：看到前几轮的错误之后，它更可能在后续轮中犯错。

为解开这两个因素，研究人员通过操控模型的聊天历史，进行反事实实验。

他们用所选错误率注入人工输出历史，来控制错误率，格式保持一致。

如果完全「治愈」历史（诱导错误率为0%），那么模型在第1轮，与较后某一轮之间的准确率退化，就可归因于长上下文问题。

如果在保持「较后某一轮」固定的情况下，随着先前轮次错误率的上升，模型的准确率持续变差，这将表明模型会基于自己的过往错误进行条件化，从而提高未来错误的可能性。

结果3：自条件化，会在长上下文之外进一步导致逐轮准确率退化。

图5（a）中的结果显示，长上下文与自条件化都会导致退化。

研究人员发现，当基于无错历史进行条件化（诱导错误率=0.00）时，第100轮的逐轮准确率低于初始值，与先前关于长上下文退化的观察一致。

更有意思的是，当研究人员提高注入到上下文中的错误率时，第100轮的准确率会持续下降。

这表明了自条件化效应：当模型犯错时，它更可能继续犯错，导致如图5（b）所示的逐轮准确率在输出轨迹中持续退化。

结果4：与长上下文不同，扩大模型规模不能缓解自条件化。

注意在诱导错误率为0的情况下，第100轮的准确率会随着模型变大而稳定提升。

如图5（c）所示，把规模扩展到前沿（200B+参数）的模型，如Kimi-K2、DeepSeek-V3以及Qwen3-235B-Instruct-2507，基本解决了在100轮以内的长上下文退化问题，在「治愈」历史下实现了近乎完美的准确率。

然而，即便这样，这些大模型仍然容易受到自条件化的影响，当其历史中的诱导错误率上升时，性能仍会持续退化。

这或许与近期结果相似：

更大的模型在多轮对话中会出现人格漂移。在该项研究中，漂移的方向是「更容易犯错」的人格。

此外，模型会基于其过去的错误进行自条件化，导致每步准确率的退化。仅扩大模型规模不足以缓解这一点。

结果5：思考修复了自条件化。

图6中，研究人员清楚看到Qwen3的思考模型不会自条件化。

无论上下文中的错误率如何，模型在第100轮的准确率都保持稳定。

研究人员将之归结为两个原因：

其一，RL训练可能降低了语言模型「续写最可能下一个Token」的行为，使其更面向任务成功而非延续上下文。

其二，去除先前轮的思考轨迹，可能降低先前轮对模型输出的影响，因为模型会独立地思考新的这一轮。

启用思考的Qwen3模型不再发生自条件化，即便整个先前历史都是错误答案；这与非思考设置的结果形成对比。

研究人员以单轮可执行的任务长度为指标，对近期的「思考/Thinking」类模型，进行了基准评测，发现它们「抗翻车能力」更强：

它们不太会被先前错误带偏（自条件化被显著修复）；

在单轮里就能把更长的任务跑完。

这证实了「先推理，后行动」的重要性，比如：

DeepSeek-V3不加思维链跑2步都难，但其思考版R1却能跑到200步；

GPT-5 Thinking单轮可执行1000+步，Claude-4-Sonnet约432步。

作者简介

Akshit Sinha，剑桥大学机器学习与机器智能MPhil（MLMI）研究生。研究方向为大模型能力评估与提升、图神经网络（GNN）解释性与「遗忘/反学习」、多智能体等。

在此之前，Akshit Sinha在IIIT Hyderabad计算机科学与工程学院获得荣誉学士学位。他在Ponnurangam Kumaraguru的指导下，在Precog实验室从事基于图的机器学习研究。

参考资料：

https://x.com/arvindh__a/status/1966526369463951424