苹果炮轰推理模型全是假思考！4个游戏戳破神话，o3/DeepSeek高难度全崩溃

正文

请到「今天看啥」查看全文

汉诺塔 （Tower of Hanoi）

汉诺塔是一个包含三根柱子和n个不同大小圆盘的谜题，圆盘按大小顺序 （最大的在底部） 堆叠在第一根柱子上。目标是将所有圆盘从第一根柱子移到第三根柱子。有效移动包括每次只能移动一个圆盘，只能从柱子顶部取圆盘，并且永远不能将较大的圆盘放在较小的圆盘上。

此任务的难度可以通过初始圆盘的数量来控制，n个初始圆盘所需的最少移动次数为2 ⁿ -1

跳棋交换 （Checker Jumping）

玩法是将红色跳棋、蓝色跳棋和一个空格排成一行。目标是交换所有红色和蓝色跳棋的位置，也就是将初始配置镜像反转。

有效移动包括将跳棋移动到相邻的空格中，或跳过恰好一个相反颜色的跳棋落到空格中。过程中，任何跳棋都不能向后移动。

此任务的复杂度可以通过跳棋的数量来控制，对于2n个跳棋，所需的最少移动次数为（n+1） ² -1。

过河问题 （River Crossing）

该谜题涉及n个角色及其对应的n个代理，他们必须使用一艘船过河。目标是将所有2n个人从左岸运到右岸。船最多可载k个人，且不能空驶。

每个代理必须保护自己的客户免受竞争代理的伤害，当一个角色在没有自己代理在场的情况下与另一个代理在一起时，就会出现无效情况。

此任务的复杂度也可以通过调整角色/代理对的数量来控制。对于n=2、n=3对，使用k=2的船容量；对于更多对，使用k=3的船容量。

积木世界 （Blocks World）

该谜题要求将积木从初始配置重新排列为指定的目标配置，目标是找出完成这一转换所需的最少移动次数。

其有效移动规则为：仅能移动任意堆叠中的最顶层积木，且可将其放置于空堆叠之上或另一块积木的顶部。任务复杂度可通过积木数量进行调控。

团队在这些可控环境中进行了大量实验，对比“会思考”和“不思考”的模型组合，主要针对Claude-3.7-Sonnet模型（带思考机制 vs 不带思考机制）和DeepSeek模型（R1 vs V3），这些模型允许访问thinking tokens。

而后团队惊奇发现，随着复杂度增加，模型表现呈现出三个截然不同的区间。

请到「今天看啥」查看全文