最近，我撞见了一个 DeepSeek 又“认真”又“拧巴”的怪异场景。
一切都从一个幼儿园级别的计数问题开始：
"Strawberry" 中有几个字母'r'?
面对这个问题，DeepSeek 展现了它的“深度思考”。
首先一上来，它的策略是先检查 Strawberry 拼写是否正确，便开始逐个字母检查，每个位置的字母它都能识别正确。
但是，这个时候，它开始第一次反思。
重新检查一遍 Strawberry 的拼写，然后它再次得出正确结论——“有 3 个 R”。
有趣的是，它竟然开始了第二次反思，怀疑数错了位置。经过它的快速的确认后，它选择了在两个 R 还是三个 R 之间摇摆不定。
接下来，DeepSeek 彻底掉进了一个怪圈，反复去验证 Strawberry 的拼写，陷入了一种“验证拼写”->“怀疑结论”->“再验证拼写”->“再怀疑结论”的循环里了。
每一次检查似乎都没有给它带来更强的信心，反而加剧了它的“选择困难症”。
中间它突然清醒，跳出了循环。再次认真地、一步一步地数。
但是，每当它得到 3 这个答案，它都会怀疑自己，好像 3 这个数字，它真的信不过。
再开始新一轮循环——
这次还是一样，明明得到 3 的答案，心里还在想着 2个。
到这里还没结束思考！deepseek 又开始了反思，反思再反思，在反思魔力转圈圈。
此时，DeepSeek 就像一个过于谨慎的学生，考完试非要检查八百遍答案。
明明，每次，都知道了 R 就在 3、8、9 位置上。
我眼冒金星，已经数不清它进行了多少轮的反思了。
以下是长图警告（有人数得清它反思了多少轮嘛！！）
就好像AI被控制了一样，必须完成多少轮反思才能结束。
反正我看中间的反思，没有带来新的信息和修正（因为它一开始就对了），都是重复、无用的检查过程，反思变成了无效循环。
虽然，在经历了漫长而“艰苦卓绝”的思考后，它给出了正确的答案：3。
但是看 deepseek 这个思考过程，它真的是正常的思考吗？
在如此简单的问题上，它过度使用了“反思”，而且，这种反思不总是有效的，反而显得是不必要的“犹豫”。
接着，我又给它抛出了一个中文世界的经典难题——
“来到杨过曾经生活过的地方，小龙女动情的说：“我也想过过过儿过过的生活”
这句话有几个“过”字
DeepSeek 的反应如出一辙。它先是正确地拆解、计数，得出答案：7。
然后，“0 帧起手”，光速进入反思模式，比男朋友认错都快。
下面，似曾相识的推理过程开始了......
它重新检查了一遍，还是 7 个。
接着，它开始纠结了，在 7 个和 8 个之间纠结。
这次纠结决断，比上面草莓的题快。只经过了 3 次。
最后水灵灵地告诉我，有 8 个“过”字。
我直接懵掉。定睛一看它的推理过程，写着 “1+1+1+2+2 = 8”？！
前面数对了每一部分的“过”字数量，最后一步简单的加法居然算错了！
“Strawberry”和“杨过”两道题目类型一样，而模型的推理表现也如出一辙。
过度反思。
它试图模仿人类的验证过程，但做得过度和无效。
模型似乎被某种规则或模式“绑架”了，认为对于这类型的问题，必须得执行一套冗长、反复的验证流程。
哪怕这个问题极其简单，哪怕这个流程本身并不能提高准确率，甚至可能引入新的错误（比如那个离谱的加法）。
为什么 AI 会陷入这种“反思魔咒”？
回答这个问题之前，还有另一个问题——
AI 模型在输出答案之前展示的“推理步骤”，真的是它们内部的思考过程吗？
Anthropic 研究团队把“这种反映真实过程的程度”，称之为“忠实性”（Faithfulness）。
前段时间 Anthropic 发表了一篇论文，专门研究了这个问题。Anthropic 是最注重 AI 安全的大模型公司之一，其创始人 Dario Amodei 曾因不满 OpenAI 对安全的忽视而自立门户，Claude 更是被《人工智能安全指数报告》（FLI AI Safety Index 2024）评为最高评级的模型。
所以这篇论文也是从 AI 安全的角度出发，研究推理大模型的“思考黑盒”。
论文标题：Reasoning Models Don’t Always Say What They Think
论文链接：https://assets.anthropic.com/m/71876fabef0f0ed4/original/reasoning_models_paper.pdf
机构：Anthropic 对齐团队
研究人员设计了一种巧妙的方法来测试 CoT 的忠实性。他们给 AI 模型（Anthropic 自己的 Claude 3.7 Sonnet 和 DeepSeek R1 ）做选择题。
有时只给普通问题；
有时在问题中悄悄加入一个“提示”（hint），这个提示会指向某个特定答案（可能是正确或错误的）。
他们观察：当模型因为这个“提示”而改变了最终答案时，它的 CoT（思考过程）中有没有提到这个提示？
论文中有两个神奇的发现：
1、CoT 经常不忠实：
在很多情况下，即使模型明显是根据“提示”改变了答案，它的 CoT 里根本没提这个提示。
虽然有时提到，但提到率很低（通常低于 20%），也就说模型会“偷偷地”利用了提示，却没有在“思考过程”中承认。
2、“奖励作弊”时几乎从不坦白：
比如，研究人员设计场景让模型可以通过“作弊”（Reward Hacking，即利用规则漏洞获得高分，即使答案错误）来获得奖励，模型 >99% 的情况下会作弊，但在其 CoT 中却几乎从不（
论文标题：(How) Do Reasoning Models Reason?
论文链接：https://arxiv.org/pdf/2504.09762
关于这篇报告，最具批判性的部分也是这个问题——
“中间步骤”真的是 AI 的“思考过程”吗？
人们很容易将 LRM 输出的那些看起来像解题步骤的“中间词元”（intermediate tokens）解读为模型的“思考过程”或“内心独白”。这份报告里强烈反对这种解读。
为什么呢？
LLM 本就擅长模仿各种文本风格，模仿人类的“自言自语”或“草稿”自然也不在话下，比如出现的“哦”、“嗯”、“让我再看一下”这些模仿人类思考的词。
我上面第一道题目，让 DeepSeek R1 数一数一共有几个 R，这么简单问题，它都能生成好几页的“内心戏”，真的去验证它的逻辑，难度很大。即使“推导痕迹”错了，模型有时候也能“歪打正着”地引出正确的最终答案。
所以作者认为，难以验证，且极具误导。不如去提升最终效果，即使中间输出的是人类理解不了的外星文 😂
那么，为什么 AI 会陷入这种“反思魔咒”？
RLHF 能载舟，也是另一种“诅咒
现在推理模型都会经历 RLHF 阶段，根据人类或自动评估来奖励或惩罚模型的输出 。
如果人类标注者倾向于给那些看起来“思考周密”、“检查仔细”（即使冗余）的回答打高分，模型就会学会在回答中插入大量验证步骤，以最大化奖励，而不管这些步骤是否真的必要或有效。
导致模型追求的不是“正确”，而是“看起来正确”或“看起来努力去正确”的过程。
虽然模仿了深思熟虑的_形式_，却缺乏其_效率_和_实质_。
Test-time Inference Scaling 的内部化失败
为了让模型在测试时“想得更久一点”，生成多个候选答案，然后选择最佳。
推理模型的这种行为，就是这种思想的一种内部拙劣的尝试。比如，它在内部生成了不同的“想法”（比如 2 个 r 还是 3 个 r，7 个过还是 8 个过）。
但是模型内部的验证器机制存在缺陷，没有办法走出有效判断和收敛，反而陷入了自我矛盾和循环里。
基础能力的脆弱性在复杂流程中暴露
杨过那个例子，1+1+1+2+2=8，这么简单的加法错误，暴露了即使模型在模仿复杂的推理过程，基础的计算或逻辑能力也可能非常脆弱！
这种“过度反思 + 强制验证”带来的问题便是：
效率低下 + 过程迷惑 + 引入错误
深度推理模型的这种的“表演式”思考，何尝不是在消耗我们对智能的信任，也在误导我们对AI能力的评估。
那怎么对待AI 这种“拧巴”的认真？
AI 的“思考”过程和人类注定不同，不要被它长篇大论的“思考过程”迷惑，过程长不一定可靠，可能只是在执行一个被过度训练的“表演程序”，尤其要注意其中的关键计算或逻辑节点。或者我的办法是告诉它“不需要解释”。
写在最后：
我们喜欢看到推理的样子，但并未真正验证推理的实质。
在 AI 的世界里，“看起来像”与“实际是”之间，可能还隔着很远的距离。
最近，我撞见了一个 DeepSeek 又“认真”又“拧巴”的怪异场景。
一切都从一个幼儿园级别的计数问题开始：
"Strawberry" 中有几个字母'r'?
面对这个问题，DeepSeek 展现了它的“深度思考”。
首先一上来，它的策略是先检查 Strawberry 拼写是否正确，便开始逐个字母检查，每个位置的字母它都能识别正确。
但是，这个时候，它开始第一次反思。
重新检查一遍 Strawberry 的拼写，然后它再次得出正确结论——“有 3 个 R”。
有趣的是，它竟然开始了第二次反思，怀疑数错了位置。经过它的快速的确认后，它选择了在两个 R 还是三个 R 之间摇摆不定。
接下来，DeepSeek 彻底掉进了一个怪圈，反复去验证 Strawberry 的拼写，陷入了一种“验证拼写”->“怀疑结论”->“再验证拼写”->“再怀疑结论”的循环里了。
每一次检查似乎都没有给它带来更强的信心，反而加剧了它的“选择困难症”。
中间它突然清醒，跳出了循环。再次认真地、一步一步地数。
但是，每当它得到 3 这个答案，它都会怀疑自己，好像 3 这个数字，它真的信不过。
再开始新一轮循环——
这次还是一样，明明得到 3 的答案，心里还在想着 2个。
到这里还没结束思考！deepseek 又开始了反思，反思再反思，在反思魔力转圈圈。
此时，DeepSeek 就像一个过于谨慎的学生，考完试非要检查八百遍答案。
明明，每次，都知道了 R 就在 3、8、9 位置上。
我眼冒金星，已经数不清它进行了多少轮的反思了。
以下是长图警告（有人数得清它反思了多少轮嘛！！）
就好像AI被控制了一样，必须完成多少轮反思才能结束。
反正我看中间的反思，没有带来新的信息和修正（因为它一开始就对了），都是重复、无用的检查过程，反思变成了无效循环。
虽然，在经历了漫长而“艰苦卓绝”的思考后，它给出了正确的答案：3。
但是看 deepseek 这个思考过程，它真的是正常的思考吗？
在如此简单的问题上，它过度使用了“反思”，而且，这种反思不总是有效的，反而显得是不必要的“犹豫”。
接着，我又给它抛出了一个中文世界的经典难题——
“来到杨过曾经生活过的地方，小龙女动情的说：“我也想过过过儿过过的生活”
这句话有几个“过”字
DeepSeek 的反应如出一辙。它先是正确地拆解、计数，得出答案：7。
然后，“0 帧起手”，光速进入反思模式，比男朋友认错都快。
下面，似曾相识的推理过程开始了......
它重新检查了一遍，还是 7 个。
接着，它开始纠结了，在 7 个和 8 个之间纠结。
这次纠结决断，比上面草莓的题快。只经过了 3 次。
最后水灵灵地告诉我，有 8 个“过”字。
我直接懵掉。定睛一看它的推理过程，写着 “1+1+1+2+2 = 8”？！
前面数对了每一部分的“过”字数量，最后一步简单的加法居然算错了！
“Strawberry”和“杨过”两道题目类型一样，而模型的推理表现也如出一辙。
过度反思。
它试图模仿人类的验证过程，但做得过度和无效。
模型似乎被某种规则或模式“绑架”了，认为对于这类型的问题，必须得执行一套冗长、反复的验证流程。
哪怕这个问题极其简单，哪怕这个流程本身并不能提高准确率，甚至可能引入新的错误（比如那个离谱的加法）。
为什么 AI 会陷入这种“反思魔咒”？
回答这个问题之前，还有另一个问题——
AI 模型在输出答案之前展示的“推理步骤”，真的是它们内部的思考过程吗？
Anthropic 研究团队把“这种反映真实过程的程度”，称之为“忠实性”（Faithfulness）。
前段时间 Anthropic 发表了一篇论文，专门研究了这个问题。Anthropic 是最注重 AI 安全的大模型公司之一，其创始人 Dario Amodei 曾因不满 OpenAI 对安全的忽视而自立门户，Claude 更是被《人工智能安全指数报告》（FLI AI Safety Index 2024）评为最高评级的模型。
所以这篇论文也是从 AI 安全的角度出发，研究推理大模型的“思考黑盒”。
论文标题：Reasoning Models Don’t Always Say What They Think
论文链接：https://assets.anthropic.com/m/71876fabef0f0ed4/original/reasoning_models_paper.pdf
机构：Anthropic 对齐团队
研究人员设计了一种巧妙的方法来测试 CoT 的忠实性。他们给 AI 模型（Anthropic 自己的 Claude 3.7 Sonnet 和 DeepSeek R1 ）做选择题。
有时只给普通问题；
有时在问题中悄悄加入一个“提示”（hint），这个提示会指向某个特定答案（可能是正确或错误的）。
他们观察：当模型因为这个“提示”而改变了最终答案时，它的 CoT（思考过程）中有没有提到这个提示？
论文中有两个神奇的发现：
1、CoT 经常不忠实：
在很多情况下，即使模型明显是根据“提示”改变了答案，它的 CoT 里根本没提这个提示。
虽然有时提到，但提到率很低（通常低于 20%），也就说模型会“偷偷地”利用了提示，却没有在“思考过程”中承认。
2、“奖励作弊”时几乎从不坦白：
比如，研究人员设计场景让模型可以通过“作弊”（Reward Hacking，即利用规则漏洞获得高分，即使答案错误）来获得奖励，模型 >99% 的情况下会作弊，但在其 CoT 中却几乎从不（
论文标题：(How) Do Reasoning Models Reason?
论文链接：https://arxiv.org/pdf/2504.09762
关于这篇报告，最具批判性的部分也是这个问题——
“中间步骤”真的是 AI 的“思考过程”吗？
人们很容易将 LRM 输出的那些看起来像解题步骤的“中间词元”（intermediate tokens）解读为模型的“思考过程”或“内心独白”。这份报告里强烈反对这种解读。
为什么呢？
LLM 本就擅长模仿各种文本风格，模仿人类的“自言自语”或“草稿”自然也不在话下，比如出现的“哦”、“嗯”、“让我再看一下”这些模仿人类思考的词。
我上面第一道题目，让 DeepSeek R1 数一数一共有几个 R，这么简单问题，它都能生成好几页的“内心戏”，真的去验证它的逻辑，难度很大。即使“推导痕迹”错了，模型有时候也能“歪打正着”地引出正确的最终答案。
所以作者认为，难以验证，且极具误导。不如去提升最终效果，即使中间输出的是人类理解不了的外星文 😂
那么，为什么 AI 会陷入这种“反思魔咒”？
RLHF 能载舟，也是另一种“诅咒
现在推理模型都会经历 RLHF 阶段，根据人类或自动评估来奖励或惩罚模型的输出 。
如果人类标注者倾向于给那些看起来“思考周密”、“检查仔细”（即使冗余）的回答打高分，模型就会学会在回答中插入大量验证步骤，以最大化奖励，而不管这些步骤是否真的必要或有效。
导致模型追求的不是“正确”，而是“看起来正确”或“看起来努力去正确”的过程。
虽然模仿了深思熟虑的_形式_，却缺乏其_效率_和_实质_。
Test-time Inference Scaling 的内部化失败
为了让模型在测试时“想得更久一点”，生成多个候选答案，然后选择最佳。
推理模型的这种行为，就是这种思想的一种内部拙劣的尝试。比如，它在内部生成了不同的“想法”（比如 2 个 r 还是 3 个 r，7 个过还是 8 个过）。
但是模型内部的验证器机制存在缺陷，没有办法走出有效判断和收敛，反而陷入了自我矛盾和循环里。
基础能力的脆弱性在复杂流程中暴露
杨过那个例子，1+1+1+2+2=8，这么简单的加法错误，暴露了即使模型在模仿复杂的推理过程，基础的计算或逻辑能力也可能非常脆弱！
这种“过度反思 + 强制验证”带来的问题便是：
效率低下 + 过程迷惑 + 引入错误
深度推理模型的这种的“表演式”思考，何尝不是在消耗我们对智能的信任，也在误导我们对AI能力的评估。
那怎么对待AI 这种“拧巴”的认真？
AI 的“思考”过程和人类注定不同，不要被它长篇大论的“思考过程”迷惑，过程长不一定可靠，可能只是在执行一个被过度训练的“表演程序”，尤其要注意其中的关键计算或逻辑节点。或者我的办法是告诉它“不需要解释”。
写在最后：
我们喜欢看到推理的样子，但并未真正验证推理的实质。
在 AI 的世界里，“看起来像”与“实际是”之间，可能还隔着很远的距离。