這項由倫敦大學學院的王晨龍團隊與華盛頓大學合作完成的研究發(fā)表于2025年6月，論文題目為《Wait, We Don't Need to "Wait"! Removing Thinking Tokens Improves Reasoning Efficiency》。有興趣深入了解的讀者可以通過arXiv:2506.08343v2訪問完整論文。

想象一個學生在做數(shù)學題時的情形：他寫下"嗯..."、"等等..."、"讓我再想想..."這樣的話，然后繼續(xù)計算?，F(xiàn)在的AI推理模型就像這個學生一樣，在解決問題時會生成大量的"思考"詞匯，比如"Wait"（等等）、"Hmm"（嗯）、"Alternatively"（或者說）等等。這些看似合理的"自我反思"過程被認為是高級推理的標志，但倫敦大學學院的研究團隊卻提出了一個顛覆性的觀點：這些"等等"可能完全是多余的。

這項研究的核心發(fā)現(xiàn)令人驚訝——當研究團隊開發(fā)出一種名為NOWAIT的方法，專門阻止AI模型生成這些"思考"詞匯時，模型不僅沒有變笨，反而在保持準確性的同時，推理速度大幅提升。具體來說，在多個測試中，模型的輸出長度減少了27%到51%，這意味著AI可以用更少的"話"來得出同樣正確的答案。

這個發(fā)現(xiàn)的意義遠超技術層面。目前的大型推理模型，比如ChatGPT-O1、DeepSeek-R1等，都會產生冗長的思考過程，有時候一個簡單問題的回答可能包含成千上萬個詞匯。這不僅消耗大量計算資源，還增加了用戶等待時間。如果NOWAIT方法得到廣泛應用，它可能徹底改變我們與AI交互的方式，讓AI助手變得更加高效和實用。

研究團隊的方法簡單而巧妙：他們識別出AI模型中那些表示"自我反思"的關鍵詞，然后在模型生成文本時主動阻止這些詞匯的出現(xiàn)。這就像給一個愛說"嗯"的人裝上了過濾器，強迫他直接說重點。令人意外的是，去掉這些"思考"詞匯后，AI的表現(xiàn)并沒有下降，甚至在某些任務上還有所提升。

更重要的是，這項研究不僅適用于文字推理，還擴展到了圖像和視頻理解任務。無論是回答關于圖片的問題，還是分析視頻內容，NOWAIT方法都表現(xiàn)出了一致的效果。這表明"過度思考"可能是當前AI系統(tǒng)的一個普遍問題，而不僅僅局限于某個特定領域。

研究團隊測試了五個不同的AI模型系列，包括QwQ、Phi4、Qwen3、Kimi-VL和QvQ等，在十個不同的基準測試上驗證了他們的方法。這些測試涵蓋了從數(shù)學推理到視覺理解的各個方面，結果都顯示NOWAIT方法能夠在保持準確性的同時顯著提高效率。

這項研究的另一個重要發(fā)現(xiàn)是，不同類型的AI模型對"思考"詞匯的依賴程度不同。通過強化學習訓練的模型（類似于通過大量練習學會推理的學生）對這些詞匯的依賴相對較小，而通過"知識蒸餾"方法訓練的模型（類似于通過模仿老師學習的學生）則更加依賴這些"思考"過程。當去掉這些詞匯后，后者的表現(xiàn)下降更明顯，這揭示了不同訓練方法對AI推理模式的深層影響。

一、為什么AI會"說廢話"：推理模型的思考陷阱

當我們觀察現(xiàn)代AI推理模型的工作過程時，會發(fā)現(xiàn)一個有趣的現(xiàn)象：它們經常像人類一樣"自言自語"。這種現(xiàn)象最初被研究者們視為AI獲得高級推理能力的標志，被稱為"Aha Moment"（頓悟時刻）現(xiàn)象。

這種現(xiàn)象的產生有其技術根源。現(xiàn)代的大型推理模型通過一種叫做強化學習的方法進行訓練，這個過程類似于讓學生通過大量練習來掌握解題技巧。在這個過程中，模型學會了模仿人類的思考模式，包括那些看似有用的"思考"表達。當模型遇到復雜問題時，它會自然地生成"Wait"、"Hmm"、"Let me think"這樣的表達，然后開始重新審視自己的推理過程。

然而，這種看似合理的行為卻帶來了嚴重的效率問題。研究團隊將這種現(xiàn)象稱為"overthinking"（過度思考）問題。就像一個學生在考試時反復檢查同一道題，雖然看起來很認真，但實際上是在浪費時間。AI模型的這種行為表現(xiàn)為生成大量冗余的推理步驟，有時一個簡單問題的回答可能包含數(shù)千個詞匯，其中很大一部分都是重復性的"思考"過程。

更令人意外的是，這些"思考"表達往往并不能真正提高推理質量。研究團隊發(fā)現(xiàn)，模型在生成這些表達后，往往會進入無謂的驗證循環(huán)，反復檢查已經正確的答案，或者探索明顯錯誤的推理路徑。這就像一個人在超市里反復檢查購物清單，即使已經確認買齊了所有物品。

這種現(xiàn)象在多模態(tài)推理中更為明顯。當AI處理圖像或視頻時，它可能會生成諸如"Let me look at this more carefully"（讓我仔細看看）或"Actually, I think..."（實際上，我認為...）這樣的表達，然后重新分析已經正確識別的內容。這不僅增加了計算成本，還降低了用戶體驗。

研究團隊通過大量實驗發(fā)現(xiàn)，這種"思考"行為的頻率與模型的訓練方式密切相關。通過強化學習訓練的模型傾向于產生更多的自我反思，因為這種訓練方式鼓勵模型探索多種可能性。然而，這種探索往往變成了無意義的重復，就像一個人在做決定時反復權衡已經明確的選項。

二、NOWAIT方法：給AI裝上"直奔主題"的過濾器

面對AI模型的"廢話連篇"問題，研究團隊開發(fā)了一個巧妙而簡單的解決方案——NOWAIT方法。這個方法的核心思想就像給一個愛繞彎子的朋友裝上過濾器，強迫他直接說重點。

NOWAIT方法的工作原理可以用一個簡單的比喻來理解：想象你正在和一個總是說"嗯..."、"那個..."、"怎么說呢..."的朋友對話。你決定每當他要說這些詞時就輕輕拍他一下，提醒他直接說重點。NOWAIT做的就是類似的事情——它在AI模型生成文本的過程中，主動識別那些表示"思考"的關鍵詞，然后阻止它們的生成。

具體來說，研究團隊首先建立了一個"思考"詞匯列表，包括"wait"、"alternatively"、"hmm"、"but"、"however"、"check"、"verify"等16個常見的反思性表達。這個列表是通過分析大量AI輸出樣本得出的，就像統(tǒng)計一個人最常說的口頭禪一樣。

接下來是技術實現(xiàn)的關鍵步驟。當AI模型在生成文本時，NOWAIT會實時監(jiān)控每個即將生成的詞匯。如果檢測到列表中的任何一個"思考"詞匯，系統(tǒng)就會將該詞匯的生成概率調整為極低的負值，迫使模型選擇其他詞匯繼續(xù)表達。這個過程就像在AI的"嘴邊"安裝了一個智能過濾器，只允許有用的內容通過。

值得注意的是，這種干預是非常精準的。NOWAIT不會阻止模型的正常推理過程，它只是防止模型生成那些明顯的"思考"標記。例如，模型仍然可以說"首先計算..."或"根據(jù)給定條件..."，但不能說"等等，讓我重新想想..."。這就像是在保持對話內容完整的同時，去掉了那些無意義的語氣詞。

研究團隊特別強調，NOWAIT是一個"即插即用"的解決方案，不需要重新訓練AI模型。這意味著這個方法可以直接應用到現(xiàn)有的各種AI系統(tǒng)中，就像給現(xiàn)有的軟件安裝一個插件一樣簡單。無論是處理文本的語言模型，還是分析圖像和視頻的多模態(tài)模型，都可以立即受益于這種方法。

在實際應用中，NOWAIT的效果立竿見影。研究團隊發(fā)現(xiàn)，使用這種方法后，AI模型的回答變得更加直接和簡潔。原本可能需要2000多個詞匯的回答，現(xiàn)在只需要1000個詞匯就能完成，而且準確性不僅沒有下降，在某些情況下還有所提升。這就像是把一個冗長的演講壓縮成精煉的要點，既節(jié)省了時間，又提高了信息傳達的效率。

三、實驗驗證：從數(shù)學題到視頻理解的全面測試

為了驗證NOWAIT方法的有效性，研究團隊設計了一系列全面而嚴格的實驗，就像一個醫(yī)生在開處方前需要進行各種檢查一樣。這些實驗覆蓋了AI推理的三個主要領域：文本推理、視覺推理和視頻推理，確保NOWAIT方法在各種情況下都能發(fā)揮作用。

在文本推理方面，研究團隊選擇了幾個極具挑戰(zhàn)性的數(shù)學競賽基準，包括AMC 2023、AIME 2024和AIME 2025。這些測試就像是AI界的"高考數(shù)學題"，需要復雜的邏輯推理和多步驟計算。結果令人驚喜：使用NOWAIT方法的AI模型在保持甚至提高準確性的同時，生成的文本長度大幅減少。以QwQ-32B模型為例，在AIME 2025測試中，準確率從66.67%提升到68.00%，同時輸出長度從15240個詞匯減少到10548個，降幅達到31%。這就像是一個學生不僅答題更準確了，而且解題過程也更簡潔了。

更令人印象深刻的是不同模型的一致性表現(xiàn)。無論是QwQ-32B、Phi4-Reasoning-Plus，還是Qwen3-32B，所有測試的模型都顯示出類似的改進模式。這種一致性表明，過度思考是現(xiàn)代AI推理模型的一個普遍問題，而不是某個特定模型的缺陷。就像發(fā)現(xiàn)所有品牌的汽車都有同樣的設計缺陷一樣，這個發(fā)現(xiàn)具有廣泛的應用價值。

在視覺推理測試中，NOWAIT方法展現(xiàn)出了更加顯著的效果。研究團隊使用了MMMU、MMMU-Pro、MathVista和EMMA-mini等多個視覺理解基準。這些測試要求AI同時處理圖像和文本信息，就像要求一個人同時看圖說話和解決數(shù)學問題。結果顯示，Kimi-VL-A3B-Thinking模型在應用NOWAIT后，輸出長度平均減少了49%，雖然準確率略有下降（約3.42個百分點），但這種輕微的準確率下降相對于巨大的效率提升來說是完全可以接受的。

視頻推理測試進一步證實了NOWAIT的有效性。在MMVU和VSI-Bench測試中，QvQ-72B-Preview模型的輸出長度減少了27%，而準確率幾乎沒有變化。這個結果特別重要，因為視頻理解通常是AI最具挑戰(zhàn)性的任務之一，需要模型在時間維度上跟蹤和理解復雜的信息。

研究團隊還進行了一個特別有趣的對比實驗，將NOWAIT與其他效率優(yōu)化方法進行比較。他們測試了Token-Budget（詞匯預算）和O1-Pruner（O1剪枝器）等現(xiàn)有方法。結果顯示，Token-Budget方法雖然在某些簡單模型上有效，但對于現(xiàn)代大型推理模型的效果有限。O1-Pruner雖然能夠減少輸出長度，但會嚴重損害模型性能。相比之下，NOWAIT在減少輸出長度的同時幾乎不影響準確性，有時甚至能提高性能。

特別值得注意的是不同訓練方法對NOWAIT效果的影響。研究團隊發(fā)現(xiàn)，通過強化學習訓練的模型（如Qwen3-32B）對NOWAIT的適應性更好，而通過知識蒸餾訓練的模型（如Qwen3的較小版本）在應用NOWAIT后性能下降更明顯。這個發(fā)現(xiàn)揭示了AI模型內部工作機制的重要差異，就像發(fā)現(xiàn)不同學習方式的學生對教學方法有不同的適應性一樣。

四、深入案例分析：AI思考模式的真實對比

為了更直觀地展示NOWAIT方法的效果，研究團隊提供了詳細的案例分析，讓我們能夠近距離觀察AI在應用前后的思考模式變化。這些案例就像是AI思維的"顯微鏡觀察"，揭示了那些看似合理的"思考"過程實際上是如何妨礙效率的。

在一個典型的數(shù)學推理案例中，原始模型面對一個關于正實數(shù)x和y滿足兩個方程的問題時，產生了極其冗長的推理過程。模型首先寫道："嗯，我需要解決這個問題..."，然后開始了第一輪計算。但很快，它又說："等等，讓我重新檢查一下..."，然后重新進行了幾乎相同的計算。接著是"也許我應該嘗試另一種方法..."，又是一輪重復性的推理。整個過程中，模型進行了5次本質上相同的代數(shù)推導，總共使用了6424個詞匯才得出答案。

相比之下，應用NOWAIT方法后，同一個模型解決同樣問題的過程變得清晰而直接。它直接從方程組開始推導，通過因式分解得到解，然后進行驗證，整個過程只用了5560個詞匯，減少了13%的長度。更重要的是，這個簡化版本實際上更容易理解，推理邏輯更加清晰，就像是把一篇冗長的論文編輯成精煉的摘要。

在視頻理解的案例中，對比更加明顯。面對一個關于鐘擺實驗的視頻問題，原始模型產生了六次明顯的自我反思，包括"等一下，也許我應該考慮..."、"實際上，讓我重新思考..."等表達。這些反思并沒有帶來新的洞察，反而讓整個分析過程變得支離破碎，就像一個人在看電影時不斷暫停來重新解釋已經理解的情節(jié)。

應用NOWAIT后，同樣的模型對視頻的分析變得流暢而系統(tǒng)。它按照時間順序描述視頻內容，使用"開始時"、"接著"、"在視頻過程中"、"最后"這樣的時間標記來組織思路。這種組織方式不僅更加高效，也更容易跟隨，最終得出了同樣正確的答案，但用詞減少了約27%。

研究團隊特別指出，這些案例揭示了一個重要現(xiàn)象：AI的"思考"過程往往是表面的，而非實質性的。當模型說"讓我重新考慮這個問題"時，它往往并沒有真正改變推理策略，而是重復之前的推理步驟。這就像一個人在做決定時反復說"讓我再想想"，但實際上只是在重復已經考慮過的因素。

更有趣的是，研究團隊發(fā)現(xiàn)不同類型的AI模型表現(xiàn)出不同的"思考"模式。強化學習訓練的模型傾向于產生更多探索性的思考，經常嘗試多種不同的解題路徑。而知識蒸餾訓練的模型則更傾向于產生驗證性的思考，反復檢查同一個推理步驟。這種差異反映了不同訓練方法對AI認知模式的深層影響。

五、技術機制探秘：NOWAIT如何改變AI的表達方式

NOWAIT方法的核心技術機制雖然概念簡單，但在實際實現(xiàn)中涉及了精巧的工程技術。理解這個機制有助于我們更好地認識AI語言生成的工作原理，以及如何通過巧妙的干預來改善AI的行為模式。

從技術角度來看，AI模型生成文本的過程類似于一個復雜的預測游戲。每當模型需要生成下一個詞匯時，它會為詞匯表中的每個詞計算一個概率分數(shù)，然后根據(jù)這些分數(shù)選擇最合適的詞。NOWAIT的工作原理就是在這個選擇過程中進行干預，就像在一場選舉中改變某些候選人的得票數(shù)一樣。

具體的實現(xiàn)過程分為三個關鍵步驟。首先是建立反思關鍵詞列表，這個過程通過分析QwQ-32B模型在AIME 2025測試中的32次獨立運行結果完成。研究團隊使用雙換行符作為分隔標記，識別出最頻繁出現(xiàn)的15個單語詞匯，形成了初始的關鍵詞集合。這個過程就像是分析一個人的說話習慣，找出他最常用的口頭禪。

第二步是將這些關鍵詞擴展為特定模型的詞匯級別列表。因為不同的AI模型可能用不同的方式表示同一個詞匯，比如"wait"可能被表示為" wait"、"Wait"、" Wait"、".wait"或"WAIT"等變體。研究團隊通過遍歷整個模型詞匯表，找出所有包含關鍵詞的變體形式。這個過程需要人工篩選，剔除那些可能被誤判的詞匯，比如"Ohio"雖然包含"oh"但顯然不是思考表達。

第三步是在推理過程中實施關鍵詞抑制。當模型生成文本時，NOWAIT使用一個特殊的logit處理器來調整詞匯的生成概率。對于任何被標記為反思關鍵詞的詞匯，其對應的logit值（決定選擇概率的數(shù)值）被設置為一個很大的負數(shù)。這個操作相當于告訴模型："這個詞匯幾乎不可能被選擇"，從而迫使模型選擇其他詞匯來繼續(xù)表達。

這種技術實現(xiàn)的巧妙之處在于它的非侵入性。NOWAIT不需要修改AI模型的內部結構或重新訓練，它只是在文本生成的最后階段進行干預。這就像是在汽車的排氣管上安裝過濾器，而不需要改造發(fā)動機。這種設計使得NOWAIT可以輕松地應用到各種不同的AI模型上，具有很強的通用性。

研究團隊還發(fā)現(xiàn)，不同模型對關鍵詞抑制的響應模式存在有趣的差異。一些模型在被禁止使用某些思考詞匯后，會自然地采用更直接的表達方式。而另一些模型則可能嘗試使用近義詞來繞過限制，比如用"actually"代替被禁止的"wait"。這種現(xiàn)象揭示了AI模型在語言生成過程中的適應性和創(chuàng)造性。

更深層的分析顯示，NOWAIT的有效性可能與AI模型的注意力機制有關。當模型生成思考詞匯時，它的注意力往往會轉向內部的推理狀態(tài)，而不是專注于解決實際問題。通過阻止這些詞匯的生成，NOWAIT實際上是在引導模型將注意力集中在更有價值的內容生成上，從而提高了整體的推理效率。

六、研究局限與未來展望：完美方案背后的思考

盡管NOWAIT方法展現(xiàn)出了令人印象深刻的效果，但研究團隊也坦誠地指出了這項工作的局限性，這種科學的嚴謹態(tài)度讓這項研究更加可信。同時，這些局限性也為未來的研究指明了方向。

首先是基準測試的局限性。雖然研究團隊測試了十個不同的基準，覆蓋了文本、圖像和視頻三個模態(tài)，但現(xiàn)有的基準測試無法完全展現(xiàn)AI模型推理能力的所有方面。就像用幾張試卷來評估一個學生的全部能力一樣，這種評估方法難免有其盲點。某些需要深度創(chuàng)造性思維或復雜多步推理的任務可能需要更多的"思考"過程，而這些任務在當前的基準測試中可能沒有得到充分體現(xiàn)。

第二個局限是關鍵詞識別的主觀性。雖然研究團隊通過數(shù)據(jù)分析確定了16個核心反思關鍵詞，但這個列表可能不夠全面，也可能包含一些在特定上下文中實際有用的詞匯。就像確定哪些話是"廢話"一樣，這個判斷過程難免帶有一定的主觀色彩。不同的研究團隊可能會得出略有差異的關鍵詞列表。

第三個問題是模型適應性的差異。研究顯示，通過知識蒸餾訓練的模型對NOWAIT方法的適應性較差，在某些困難任務上性能下降較為明顯。這表明NOWAIT可能不是一個適用于所有AI模型的通用解決方案，需要根據(jù)具體的模型類型和應用場景進行調整。

研究團隊還指出，當前的實驗主要集中在開源模型上，對于那些商業(yè)化的、更大規(guī)模的AI系統(tǒng)，NOWAIT的效果可能會有所不同。這些大型模型可能擁有更復雜的推理模式，需要更精細的干預策略。

盡管存在這些局限，NOWAIT方法為AI效率優(yōu)化開辟了一個全新的研究方向。傳統(tǒng)的效率優(yōu)化方法主要關注模型架構的改進或訓練算法的優(yōu)化，而NOWAIT證明了在推理階段進行簡單干預也能帶來顯著的效果改進。這種思路可能激發(fā)更多創(chuàng)新的優(yōu)化方法。

未來的研究可能會在幾個方向上進一步發(fā)展。首先是動態(tài)關鍵詞識別，根據(jù)具體任務和上下文自動調整需要抑制的詞匯列表。其次是更精細的干預策略，不是簡單地禁止某些詞匯，而是根據(jù)推理的進展動態(tài)調整干預程度。第三是擴展到更多的AI應用領域，比如代碼生成、創(chuàng)意寫作等。

研究團隊特別提到，NOWAIT方法的成功也提出了一個更深層的問題：我們是否過度神化了AI的"思考"過程？人類的思維確實包含大量的內在反思和自我監(jiān)控，但這并不意味著AI必須完全模仿這種模式。也許對于AI來說，更直接、更高效的表達方式才是最優(yōu)的選擇。

七、實際應用前景：從實驗室到現(xiàn)實世界的轉換

NOWAIT方法的成功不僅在學術界引起了關注，更重要的是它為現(xiàn)實世界的AI應用帶來了直接的價值?？紤]到當前AI服務的高昂計算成本和用戶對響應速度的期待，這種效率提升具有巨大的商業(yè)價值和社會意義。

在商業(yè)AI服務中，計算成本通常是按照生成的詞匯數(shù)量來計算的，就像出租車按里程計費一樣。如果NOWAIT能夠將輸出長度減少30%到50%，這意味著服務提供商可以將運營成本降低相同的比例，或者在相同成本下為用戶提供更多的服務。對于像ChatGPT、Claude這樣的大規(guī)模AI服務來說，這種成本節(jié)約是極其可觀的。

從用戶體驗的角度來看，NOWAIT的價值更加明顯。當前的AI助手在回答復雜問題時經常產生冗長的輸出，用戶需要花費大量時間閱讀這些內容來找到真正有用的信息。NOWAIT使AI的回答變得更加簡潔和直接，這對于那些需要快速獲取信息的用戶來說是巨大的改進。就像把一本厚重的百科全書壓縮成精煉的知識卡片一樣，信息的密度和可用性都得到了提升。

在教育領域，NOWAIT方法可能帶來特別顯著的好處。當AI作為教學助手時，過于冗長的解釋可能會讓學生感到困惑或失去耐心。更簡潔、更直接的回答能夠幫助學生更好地理解概念，提高學習效率。特別是對于那些注意力集中時間有限的年輕學習者，這種改進可能是革命性的。

在專業(yè)工作環(huán)境中，NOWAIT的應用前景同樣廣闊。律師使用AI分析法律文件、醫(yī)生使用AI診斷輔助、工程師使用AI解決技術問題時，都需要快速、準確的答案。減少不必要的"思考"過程能夠讓這些專業(yè)人士更快地獲得所需信息，提高工作效率。

然而，NOWAIT的實際部署也面臨一些挑戰(zhàn)。首先是個性化需求的問題。不同的用戶可能對AI回答的詳細程度有不同的偏好。一些用戶可能確實希望看到AI的"思考"過程，認為這有助于建立信任和理解。因此，理想的解決方案可能是讓用戶可以選擇是否啟用NOWAIT模式。

其次是特定領域的適應性問題。在某些需要深度分析的專業(yè)領域，完整的推理過程可能確實有價值。比如在學術研究、法律分析或醫(yī)療診斷中，用戶可能需要了解AI得出結論的完整邏輯鏈條。在這些情況下，可能需要開發(fā)更精細的NOWAIT變體，只去除那些真正冗余的部分，而保留有價值的推理步驟。

第三是技術整合的挑戰(zhàn)。雖然NOWAIT是一個"即插即用"的解決方案，但將其整合到現(xiàn)有的大規(guī)模AI服務中仍然需要仔細的工程實現(xiàn)。特別是在處理多語言、多模態(tài)內容時，關鍵詞識別和抑制機制需要更加復雜的設計。

研究團隊建議，NOWAIT的實際部署應該采用漸進式的方法。首先在特定的應用場景中進行小規(guī)模測試，收集用戶反饋，然后根據(jù)實際效果逐步擴展應用范圍。這種方法能夠最大化收益，同時最小化潛在的風險。

說到底，NOWAIT方法的真正價值在于它證明了一個簡單而深刻的觀點：有時候，少即是多。在AI技術日益復雜的今天，這種回歸簡潔和效率的理念可能正是我們所需要的。當AI變得更加高效和直接時，它就能更好地服務于人類的需求，成為真正有用的工具，而不是展示復雜推理過程的表演者。

這項由倫敦大學學院團隊完成的研究為我們提供了一個全新的視角來思考AI的發(fā)展方向。也許未來最好的AI不是那些能夠產生最復雜思考過程的系統(tǒng)，而是那些能夠最直接、最高效地解決問題的助手。NOWAIT方法只是這個方向上的第一步，但它已經為我們展示了令人興奮的可能性。對于那些希望深入了解技術細節(jié)的讀者，完整的研究論文可以通過arXiv:2506.08343v2獲取。

Q&A

Q1：NOWAIT方法是什么？它具體怎么工作？ A：NOWAIT是一種讓AI推理更高效的方法，它的工作原理很簡單：識別AI在回答問題時經常說的"等等"、"嗯"、"讓我想想"這類思考詞匯，然后在AI生成回答時主動阻止這些詞匯出現(xiàn)。就像給愛說廢話的人裝了個過濾器，強迫他直接說重點。

Q2：使用NOWAIT會不會讓AI變笨？準確性會下降嗎？ A：令人驚訝的是，不會！研究顯示，去掉這些"思考"詞匯后，AI不僅沒有變笨，在某些測試中準確率甚至還略有提升。同時輸出長度減少了27%-51%，這意味著AI用更少的話就能給出同樣正確的答案。

Q3：為什么AI會產生這些看似無用的"思考"表達？ A：這是AI訓練過程的副產品。現(xiàn)代AI模型通過模仿人類的思考模式來學習推理，包括那些"嗯"、"等等"的表達。但實際上，這些表達往往只是重復已經考慮過的內容，就像一個人在做決定時反復說"讓我再想想"，但并沒有真正想出新內容。