這項(xiàng)由加州大學(xué)伯克利分校郭俊宇等研究團(tuán)隊(duì)領(lǐng)導(dǎo)的研究發(fā)表于2025年9月，論文編號(hào)為arXiv:2509.20868v1。有興趣深入了解的讀者可以通過該編號(hào)查詢完整論文。

一、當(dāng)AI遇到考試——五種"思考風(fēng)格"大比拼

想象一下，如果AI也要參加考試，它們會(huì)選擇什么樣的答題策略呢？有的可能會(huì)像學(xué)霸一樣一步步詳細(xì)列出解題過程，有的可能會(huì)快速草擬幾個(gè)要點(diǎn)就給出答案，還有的可能會(huì)同時(shí)考慮好幾種解法然后挑選最佳方案。伯克利大學(xué)的研究團(tuán)隊(duì)就對(duì)這個(gè)有趣的問題進(jìn)行了深入研究。

在人工智能的世界里，大語言模型（也就是我們常說的AI聊天機(jī)器人）的表現(xiàn)很大程度上取決于它們采用什么樣的"思考方式"來處理問題。就好比同一道數(shù)學(xué)題，有些學(xué)生喜歡按部就班地一步步計(jì)算，有些學(xué)生則傾向于先畫個(gè)草圖理清思路，還有些學(xué)生會(huì)嘗試多種解法再選擇最簡(jiǎn)單的一種。

研究團(tuán)隊(duì)識(shí)別出了五種主要的AI推理風(fēng)格。第一種叫"思維鏈"（Chain-of-Thought），就像我們做數(shù)學(xué)題時(shí)在草稿紙上一步步寫出解題過程一樣，AI會(huì)把每個(gè)推理步驟都明確地展示出來。第二種是"思維樹"（Tree-of-Thought），這就像是同時(shí)考慮多條解題路徑，然后選擇最有希望的那條繼續(xù)走下去，類似于下棋時(shí)考慮多個(gè)可能的走法。

第三種被稱為"算法思維"（Algorithm-of-Thought），這種方式允許AI在發(fā)現(xiàn)某條思路行不通時(shí)回頭嘗試其他方法，就像走迷宮時(shí)遇到死路會(huì)回頭換條路一樣。第四種是"草圖思維"（Sketch-of-Thought），這種方式強(qiáng)調(diào)用最簡(jiǎn)潔的符號(hào)和步驟來表達(dá)推理過程，就像我們解題時(shí)只寫關(guān)鍵步驟而省略冗長(zhǎng)的解釋。最后一種叫"草稿鏈"（Chain-of-Draft），它采用反復(fù)修改完善的策略，先給出一個(gè)粗略答案，然后不斷改進(jìn)，直到得出滿意的結(jié)果。

二、史上最大規(guī)模AI推理能力測(cè)試

為了搞清楚這些不同的"思考方式"到底哪種更厲害，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)前所未有的大規(guī)模測(cè)試。他們就像是給AI們組織了一場(chǎng)超級(jí)考試，涵蓋了15個(gè)不同"智力水平"的AI模型，從參數(shù)只有2.7億的"小學(xué)生"到參數(shù)高達(dá)1200億的"博士生"，應(yīng)有盡有。

這些AI需要應(yīng)對(duì)五個(gè)不同類型的挑戰(zhàn)，就像參加一個(gè)綜合能力測(cè)試一樣。首先是數(shù)學(xué)推理測(cè)試，使用的是GSM8K數(shù)據(jù)集，包含了各種小學(xué)到初中水平的數(shù)學(xué)應(yīng)用題，比如"如果一個(gè)蛋糕店有24個(gè)羊角面包，上午賣出9個(gè)，然后又烤了12個(gè)，最后還有多少個(gè)？"這類問題。

接下來是常識(shí)推理測(cè)試，使用CommonsenseQA數(shù)據(jù)集，考查的是AI對(duì)日常生活常識(shí)的理解，比如"讀報(bào)紙是練習(xí)什么能力的方法之一？"這樣的問題。第三個(gè)挑戰(zhàn)是邏輯推理測(cè)試，通過LogiQA數(shù)據(jù)集檢驗(yàn)AI的邏輯分析能力，包含各種需要嚴(yán)密邏輯推導(dǎo)的題目。

第四個(gè)測(cè)試項(xiàng)目是數(shù)學(xué)競(jìng)賽級(jí)別的AIME問題，這些題目的難度相當(dāng)于美國(guó)數(shù)學(xué)邀請(qǐng)賽的水平，對(duì)AI來說是真正的硬骨頭。最后一個(gè)挑戰(zhàn)是"24點(diǎn)游戲"，給出四個(gè)數(shù)字，要求用加減乘除運(yùn)算得到24，這考驗(yàn)的是AI的搜索和組合能力。

整個(gè)測(cè)試過程就像是一場(chǎng)馬拉松式的智力競(jìng)賽，每個(gè)AI模型都需要用五種不同的思考方式來解答這些問題。研究團(tuán)隊(duì)為了確保結(jié)果的公平性，將所有AI的"溫度"參數(shù)都設(shè)置為0，這相當(dāng)于讓它們?cè)谕耆潇o的狀態(tài)下作答，避免隨機(jī)性影響結(jié)果。

三、大模型的"學(xué)霸效應(yīng)"——規(guī)模越大，選擇余地越多

測(cè)試結(jié)果揭示了一個(gè)有趣的現(xiàn)象，研究團(tuán)隊(duì)稱之為"規(guī)模效應(yīng)"。就好比在學(xué)校里，成績(jī)優(yōu)秀的學(xué)霸幾乎用任何學(xué)習(xí)方法都能考出好成績(jī)，而成績(jī)一般的學(xué)生則需要找到最適合自己的特定方法才能有所提升。

在AI的世界里也是如此。那些參數(shù)量龐大的"學(xué)霸"級(jí)AI模型，比如擁有720億參數(shù)的Qwen2.5-72B或者1200億參數(shù)的GPT-OSS-120B，它們幾乎可以用任何一種思考方式都取得不錯(cuò)的成績(jī)。這就像是天才學(xué)生無論用什么方法學(xué)習(xí)都能掌握知識(shí)一樣。

然而，對(duì)于那些參數(shù)量較小的"普通學(xué)生"級(jí)AI，情況就大不相同了。它們必須選擇最適合特定任務(wù)的思考方式才能發(fā)揮出最佳水平。比如，在處理那些需要多步驟搜索的開放性問題時(shí)，小模型往往力不從心，而大模型則能夠游刃有余地運(yùn)用復(fù)雜的思維樹或算法思維方法。

更有趣的是，研究發(fā)現(xiàn)了一個(gè)出人意料的現(xiàn)象：在高難度任務(wù)上，小模型通常不會(huì)用盡所有可用的"思考時(shí)間"（也就是生成更多文字來詳細(xì)推理），而是會(huì)很快給出一個(gè)答案，無論這個(gè)答案是否正確。這就像是學(xué)習(xí)能力較弱的學(xué)生在面對(duì)難題時(shí)，往往會(huì)放棄深入思考而選擇快速猜測(cè)一個(gè)答案。

相比之下，大模型會(huì)更有耐心地進(jìn)行深入思考，用更多的文字和步驟來分析問題。這種行為差異說明了模型規(guī)模不僅影響知識(shí)儲(chǔ)量，還影響"思考習(xí)慣"和問題解決策略。

四、專業(yè)對(duì)口很重要——不同任務(wù)需要不同思維方式

研究最令人驚訝的發(fā)現(xiàn)之一是，不同類型的任務(wù)確實(shí)需要不同的思考方式，就像不同的工作需要不同的專業(yè)技能一樣。這種"專業(yè)對(duì)口"的現(xiàn)象在AI的表現(xiàn)中體現(xiàn)得非常明顯。

在數(shù)學(xué)推理任務(wù)中，傳統(tǒng)的"思維鏈"方法表現(xiàn)得最為出色。這就像解數(shù)學(xué)題時(shí)，按部就班地寫出每一步計(jì)算過程往往是最可靠的方法。研究團(tuán)隊(duì)發(fā)現(xiàn)，對(duì)于GSM8K這類標(biāo)準(zhǔn)數(shù)學(xué)題，采用思維鏈方法的AI平均準(zhǔn)確率比其他方法高出15-20個(gè)百分點(diǎn)。這種方法的優(yōu)勢(shì)在于它強(qiáng)制AI展示完整的推理過程，減少了跳躍式思維可能帶來的錯(cuò)誤。

然而，當(dāng)面對(duì)需要大量搜索和嘗試的開放性問題時(shí)，情況就完全不同了。在"24點(diǎn)游戲"這類任務(wù)中，思維樹和算法思維方法表現(xiàn)得更加出色。這些方法允許AI同時(shí)探索多個(gè)可能的解決路徑，就像是同時(shí)嘗試多種不同的數(shù)字組合，然后從中找出能夠得到24的正確組合。

在邏輯推理任務(wù)中，"草圖思維"方法展現(xiàn)出了獨(dú)特的優(yōu)勢(shì)。這種方法特別適合處理那些有標(biāo)準(zhǔn)答案的選擇題，因?yàn)樗軌蚩焖僮プ栴}的關(guān)鍵邏輯關(guān)系，而不會(huì)被繁瑣的推理細(xì)節(jié)所拖累。在LogiQA測(cè)試中，草圖思維方法的表現(xiàn)比思維鏈方法高出了約10個(gè)百分點(diǎn)。

更有趣的是，在常識(shí)問答任務(wù)中，所有的復(fù)雜推理方法并沒有顯示出明顯優(yōu)勢(shì)。這是因?yàn)槌ＷR(shí)問題更多依賴的是AI預(yù)訓(xùn)練時(shí)積累的知識(shí)，而不是復(fù)雜的推理能力。就好比問"天空為什么是藍(lán)色的"這類問題，關(guān)鍵在于是否知道光的散射原理，而不在于推理過程有多復(fù)雜。

五、效率與準(zhǔn)確性的平衡藝術(shù)

研究團(tuán)隊(duì)還深入分析了不同思考方式在效率方面的表現(xiàn)，這就像比較不同的工作方式哪種更節(jié)省時(shí)間和精力。結(jié)果顯示，追求準(zhǔn)確性和追求效率之間存在著微妙的平衡關(guān)系。

"草圖思維"和"草稿鏈"方法在這方面表現(xiàn)得特別出色。它們就像是高效的速記員，能夠用最少的文字表達(dá)最核心的思路。在LogiQA任務(wù)中，草圖思維方法產(chǎn)生的文本比思維鏈方法少了94%，但準(zhǔn)確率卻基本相當(dāng)。這種極致的效率讓人聯(lián)想到經(jīng)驗(yàn)豐富的專家能夠一眼看穿問題本質(zhì)，而新手卻需要冗長(zhǎng)的分析過程。

相比之下，思維樹和算法思維方法雖然在某些復(fù)雜任務(wù)上表現(xiàn)出色，但它們的"思考成本"也相對(duì)較高。這些方法需要生成更多的文本來探索不同的可能性，就像是為了找到最優(yōu)解而付出更多的計(jì)算資源。在實(shí)際應(yīng)用中，這意味著更高的運(yùn)行成本和更長(zhǎng)的響應(yīng)時(shí)間。

研究團(tuán)隊(duì)通過token使用量的統(tǒng)計(jì)發(fā)現(xiàn)，在AIME這類高難度數(shù)學(xué)題上，不同模型和方法的資源消耗差異巨大。小模型往往很快就放棄深入思考，而大模型則愿意投入更多資源進(jìn)行充分的探索。這種差異反映了不同規(guī)模AI在面對(duì)困難任務(wù)時(shí)的不同策略選擇。

更令人深思的是，研究發(fā)現(xiàn)最昂貴的方法并不總是最有效的。有時(shí)候，選擇適合任務(wù)特點(diǎn)的簡(jiǎn)單方法反而能夠以更低的成本獲得更好的結(jié)果。這提醒我們?cè)趯?shí)際應(yīng)用中需要根據(jù)具體需求來選擇合適的AI推理策略，而不是盲目追求最復(fù)雜的方法。

六、格式規(guī)范——小細(xì)節(jié)暴露大問題

在深入分析AI的回答質(zhì)量時(shí)，研究團(tuán)隊(duì)發(fā)現(xiàn)了一個(gè)意想不到的細(xì)節(jié)問題，這個(gè)問題就像是考試中的書寫規(guī)范一樣重要，但經(jīng)常被忽視。

小規(guī)模的AI模型經(jīng)常會(huì)忽略輸出格式的要求，就像是學(xué)生做題時(shí)不按照標(biāo)準(zhǔn)格式作答一樣。研究團(tuán)隊(duì)要求所有AI在給出最終答案時(shí)都要使用特定的格式，比如用\boxed{}將答案括起來，但許多小模型會(huì)完全無視這個(gè)要求。它們可能會(huì)隨意地在答案周圍加上各種奇怪的符號(hào)，比如"<A>"或者"<2>"，而不是按照指定的格式。

這種看似微小的格式問題實(shí)際上反映了更深層次的問題。它表明小規(guī)模AI模型缺乏足夠的"指令遵循能力"，也就是說，它們難以同時(shí)處理任務(wù)本身和格式要求這兩個(gè)層面的需求。這就像是一個(gè)學(xué)生可能知道正確答案，但卻不會(huì)按照老師要求的格式來呈現(xiàn)答案。

更嚴(yán)重的是，這種格式問題會(huì)給自動(dòng)評(píng)分系統(tǒng)帶來困擾。研究團(tuán)隊(duì)不得不開發(fā)額外的程序來從各種不規(guī)范的輸出中提取真正的答案，這無疑增加了評(píng)估的復(fù)雜性。在實(shí)際應(yīng)用中，這種問題可能會(huì)導(dǎo)致AI系統(tǒng)無法與其他程序正確交互，從而影響整體的工作流程。

相比之下，大規(guī)模AI模型在格式遵循方面表現(xiàn)得much better。它們能夠在保證答案質(zhì)量的同時(shí)，嚴(yán)格按照指定的格式輸出結(jié)果。這種能力看起來簡(jiǎn)單，但實(shí)際上需要AI具備良好的多任務(wù)處理能力和指令理解能力。

七、搜索策略的智慧——開放問題需要探索精神

在分析不同AI模型如何處理"24點(diǎn)游戲"這類搜索型任務(wù)時(shí)，研究團(tuán)隊(duì)發(fā)現(xiàn)了推理策略選擇的重要性。這類問題就像是在一個(gè)巨大的數(shù)字組合迷宮中尋找正確路徑，需要AI具備良好的搜索和回溯能力。

算法思維方法在這類任務(wù)中表現(xiàn)出了明顯的優(yōu)勢(shì)，因?yàn)樗试SAI在發(fā)現(xiàn)某條路徑行不通時(shí)及時(shí)回頭嘗試其他可能性。研究團(tuán)隊(duì)記錄了一個(gè)典型的成功案例：面對(duì)數(shù)字2、3、13、13的組合，AI首先嘗試了簡(jiǎn)單的加法和乘法組合，發(fā)現(xiàn)無法得到24后，便回溯到之前的步驟，嘗試了更復(fù)雜的運(yùn)算順序，最終找到了正確的表達(dá)式(13×3-13)-2=24。

相比之下，傳統(tǒng)的思維鏈方法在這類任務(wù)上經(jīng)常會(huì)陷入困境。由于它只能沿著一條固定路徑前進(jìn)，一旦最初選擇的方向錯(cuò)誤，就很難糾正。研究團(tuán)隊(duì)觀察到，許多采用思維鏈方法的AI會(huì)在錯(cuò)誤的路徑上越走越遠(yuǎn)，最終得出"無解"的錯(cuò)誤結(jié)論。

更有趣的是，草圖思維和草稿鏈這類簡(jiǎn)潔方法在面對(duì)搜索型任務(wù)時(shí)顯得力不從心。它們雖然在結(jié)構(gòu)化問題上表現(xiàn)優(yōu)秀，但在需要大量嘗試和探索的開放性問題上缺乏足夠的"耐心"。這就像是一個(gè)習(xí)慣了快速?zèng)Q策的人在需要深度思考的問題面前會(huì)感到不適應(yīng)。

研究結(jié)果表明，不同類型的問題確實(shí)需要不同的解決策略。對(duì)于有明確解法的結(jié)構(gòu)化問題，效率優(yōu)先的方法更合適；而對(duì)于需要探索的開放性問題，則需要更加靈活和全面的搜索策略。

八、模型規(guī)模的門檻效應(yīng)——能力躍升的臨界點(diǎn)

通過對(duì)不同規(guī)模AI模型的比較分析，研究團(tuán)隊(duì)發(fā)現(xiàn)了一個(gè)類似"門檻效應(yīng)"的有趣現(xiàn)象。這就像是學(xué)習(xí)某項(xiàng)技能時(shí)存在一個(gè)臨界點(diǎn)，一旦跨越這個(gè)臨界點(diǎn)，能力就會(huì)發(fā)生質(zhì)的飛躍。

在處理Game24這類復(fù)雜任務(wù)時(shí)，參數(shù)量少于7B的小模型基本上都會(huì)失敗，無論采用什么思考方式。它們就像是還沒有掌握基本運(yùn)算規(guī)則的學(xué)生，即使給予再多的解題策略也難以取得突破。這些模型往往會(huì)產(chǎn)生一些看似合理但實(shí)際錯(cuò)誤的答案，比如使用同一個(gè)數(shù)字兩次，或者得出完全錯(cuò)誤的計(jì)算結(jié)果。

然而，當(dāng)模型規(guī)模達(dá)到30B參數(shù)以上時(shí)，情況就開始發(fā)生變化。這個(gè)規(guī)模的AI開始能夠理解任務(wù)的基本規(guī)則，雖然不一定能找到正確答案，但至少不會(huì)犯基礎(chǔ)性錯(cuò)誤。研究團(tuán)隊(duì)觀察到，32B參數(shù)的Qwen模型能夠生成符合規(guī)則的表達(dá)式，盡管結(jié)果仍然不正確。

真正的突破發(fā)生在70B參數(shù)以上的大模型身上。這些模型不僅能夠理解規(guī)則，還能夠靈活運(yùn)用不同的思考策略來尋找正確答案。72B參數(shù)的Qwen模型和120B參數(shù)的GPT-OSS模型都能夠成功解決復(fù)雜的24點(diǎn)問題，展現(xiàn)出了質(zhì)的飛躍。

這種門檻效應(yīng)不僅體現(xiàn)在任務(wù)完成能力上，還體現(xiàn)在對(duì)不同推理策略的適應(yīng)性上。小模型往往只能在特定策略下勉強(qiáng)工作，而大模型則能夠熟練掌握多種策略，并根據(jù)問題特點(diǎn)自動(dòng)選擇最合適的方法。

九、自動(dòng)策略選擇的挑戰(zhàn)——AI還不會(huì)"因材施教"

研究團(tuán)隊(duì)還嘗試了一個(gè)更加雄心勃勃的目標(biāo)：訓(xùn)練AI自動(dòng)選擇最適合特定問題的推理策略。這就像是培養(yǎng)一個(gè)能夠根據(jù)學(xué)生特點(diǎn)選擇教學(xué)方法的智能老師。

他們使用7B參數(shù)的Qwen模型進(jìn)行了專門的訓(xùn)練，希望它能夠?qū)W會(huì)在面對(duì)不同類型問題時(shí)自動(dòng)選擇最優(yōu)的思考方式。訓(xùn)練數(shù)據(jù)包含了3000個(gè)問題及其對(duì)應(yīng)的最佳策略選擇，就像是給AI提供了一本"策略選擇指南"。

然而，實(shí)驗(yàn)結(jié)果令人失望。訓(xùn)練后的模型并沒有學(xué)會(huì)真正的策略選擇技巧，而是發(fā)展出了一種簡(jiǎn)單粗暴的偏好：無論遇到什么問題，都傾向于選擇"草稿鏈"方法。這就像是一個(gè)學(xué)生無論遇到什么科目都用同一種學(xué)習(xí)方法，完全沒有理解"因材施教"的道理。

更深入的分析顯示，這種現(xiàn)象反映了當(dāng)前AI訓(xùn)練方法的局限性。模型傾向于記憶訓(xùn)練數(shù)據(jù)中的表面模式，而不是真正理解不同策略的本質(zhì)特點(diǎn)。在訓(xùn)練數(shù)據(jù)中，草稿鏈方法確實(shí)是最常用的最優(yōu)策略（占58.28%），但這并不意味著它適用于所有情況。

這個(gè)失敗的實(shí)驗(yàn)提醒我們，讓AI學(xué)會(huì)元認(rèn)知能力（也就是"思考如何思考"的能力）比想象中更加困難。目前的訓(xùn)練方法還無法讓AI真正理解不同推理策略的適用條件和內(nèi)在邏輯，這仍然是人工智能領(lǐng)域需要攻克的重要挑戰(zhàn)。

十、實(shí)用指南——選擇合適的AI"思考方式"

基于大量的實(shí)驗(yàn)數(shù)據(jù)和分析結(jié)果，研究團(tuán)隊(duì)為實(shí)際應(yīng)用提供了一套實(shí)用的策略選擇指南。這就像是一份針對(duì)不同場(chǎng)景的"使用說明書"，幫助人們根據(jù)具體需求選擇最合適的AI推理方式。

對(duì)于數(shù)學(xué)計(jì)算和邏輯推理類任務(wù)，傳統(tǒng)的思維鏈方法仍然是最可靠的選擇。它就像是數(shù)學(xué)考試中的標(biāo)準(zhǔn)解題格式，雖然可能不是最快的，但能夠確保準(zhǔn)確性和可追溯性。這種方法特別適合那些有明確步驟和標(biāo)準(zhǔn)答案的問題。

當(dāng)面對(duì)需要?jiǎng)?chuàng)新思維和多重嘗試的開放性問題時(shí)，思維樹和算法思維方法更值得推薦。它們就像是頭腦風(fēng)暴會(huì)議中的發(fā)散思維，能夠同時(shí)探索多個(gè)可能性，從而找到非常規(guī)的解決方案。不過需要注意的是，這些方法需要更強(qiáng)大的模型支撐，小規(guī)模AI往往難以發(fā)揮其優(yōu)勢(shì)。

對(duì)于那些追求效率和成本控制的應(yīng)用場(chǎng)景，草圖思維和草稿鏈方法是理想的選擇。它們能夠以最少的計(jì)算資源快速給出合理的答案，特別適合大規(guī)模的實(shí)時(shí)應(yīng)用。這就像是快餐店的標(biāo)準(zhǔn)化作業(yè)流程，雖然不一定是最精致的，但足夠滿足大多數(shù)基本需求。

在模型選擇方面，研究結(jié)果顯示了明確的規(guī)律：如果預(yù)算充足，大規(guī)模模型配合任何推理策略都能取得不錯(cuò)的效果；如果資源有限，則需要仔細(xì)匹配任務(wù)類型和推理策略，小模型只有在"專業(yè)對(duì)口"的情況下才能發(fā)揮出應(yīng)有水平。

十一、未來展望——AI思維能力的進(jìn)化方向

這項(xiàng)研究不僅揭示了當(dāng)前AI推理能力的現(xiàn)狀，還為未來的發(fā)展方向提供了重要線索。研究團(tuán)隊(duì)認(rèn)為，AI推理能力的進(jìn)化將沿著幾個(gè)重要方向發(fā)展。

首先是推理策略的自適應(yīng)能力。雖然當(dāng)前的自動(dòng)策略選擇實(shí)驗(yàn)并未成功，但這個(gè)方向仍然具有巨大潛力。未來的AI系統(tǒng)可能會(huì)像經(jīng)驗(yàn)豐富的專家一樣，能夠根據(jù)問題的特點(diǎn)自動(dòng)調(diào)整思考方式，而不需要人工指定策略。

其次是推理效率的持續(xù)提升。研究顯示，簡(jiǎn)潔的推理策略在保證準(zhǔn)確性的同時(shí)能夠大幅減少計(jì)算成本。未來的AI系統(tǒng)將更加注重這種效率與性能的平衡，特別是在需要大規(guī)模部署的商業(yè)應(yīng)用中。

模型規(guī)模的門檻效應(yīng)也提示了一個(gè)重要方向：通過架構(gòu)優(yōu)化和訓(xùn)練方法改進(jìn)，有可能在較小的模型中實(shí)現(xiàn)原本只有大模型才具備的推理能力。這就像是通過更好的教學(xué)方法讓普通學(xué)生也能掌握原本只有天才學(xué)生才能理解的知識(shí)。

另一個(gè)值得關(guān)注的方向是多模態(tài)推理能力的發(fā)展。當(dāng)前的研究主要關(guān)注文本推理，但現(xiàn)實(shí)世界的問題往往涉及圖像、聲音、視頻等多種信息類型。未來的AI系統(tǒng)需要能夠整合多種感官輸入，進(jìn)行更加全面和深入的推理。

最后，研究團(tuán)隊(duì)特別強(qiáng)調(diào)了推理過程可解釋性的重要性。隨著AI系統(tǒng)在關(guān)鍵決策中發(fā)揮越來越重要的作用，人們需要能夠理解和驗(yàn)證AI的推理過程。這要求未來的推理策略不僅要準(zhǔn)確高效，還要足夠透明和可信。

說到底，這項(xiàng)研究就像是給AI的"思考能力"做了一次全面體檢。結(jié)果顯示，AI確實(shí)具備了多種"思考方式"，但每種方式都有自己的專長(zhǎng)和局限。就好比人類社會(huì)中有各種不同性格和能力的人，有的擅長(zhǎng)邏輯分析，有的善于創(chuàng)新思維，有的注重效率執(zhí)行。關(guān)鍵在于根據(jù)具體任務(wù)選擇最合適的"思考風(fēng)格"，這樣才能讓AI發(fā)揮出最大的潛力。

對(duì)普通人來說，這項(xiàng)研究的意義在于幫助我們更好地理解和使用AI工具。當(dāng)我們?cè)谌粘９ぷ髦惺褂肁I助手時(shí)，了解它們的不同"思考方式"可以幫助我們提出更合適的問題，獲得更好的答案。未來，隨著這些技術(shù)的不斷發(fā)展和普及，我們每個(gè)人都可能受益于更加智能和高效的AI助手。

這項(xiàng)開創(chuàng)性研究為我們打開了理解AI推理能力的新窗口，也為開發(fā)更加智能和實(shí)用的AI系統(tǒng)指明了方向。隨著技術(shù)的不斷進(jìn)步，我們有理由期待AI在不久的將來會(huì)展現(xiàn)出更加令人驚嘆的思考和推理能力。

Q&A

Q1：StyleBench測(cè)試中的五種AI推理方式有什么不同？

A：五種推理方式就像不同的解題策略。思維鏈像一步步詳細(xì)解題，思維樹像同時(shí)考慮多種解法，算法思維允許遇到死路時(shí)回頭換路，草圖思維用最簡(jiǎn)潔的方式表達(dá)要點(diǎn)，草稿鏈則是先給粗略答案再不斷改進(jìn)。每種方式都有自己的專長(zhǎng)領(lǐng)域。

Q2：為什么大模型比小模型在推理任務(wù)上表現(xiàn)更好？

A：就像學(xué)霸和普通學(xué)生的區(qū)別。大模型（70B參數(shù)以上）幾乎用任何方法都能取得好成績(jī)，還能根據(jù)問題特點(diǎn)靈活選擇策略。小模型則必須找到最適合的特定方法才能發(fā)揮，而且經(jīng)常在難題面前快速放棄深入思考，選擇猜測(cè)答案。

Q3：在實(shí)際使用AI時(shí)應(yīng)該如何選擇推理方式？

A：要根據(jù)任務(wù)類型選擇。數(shù)學(xué)計(jì)算用思維鏈最可靠，創(chuàng)新性問題用思維樹或算法思維，追求效率的場(chǎng)景用草圖思維或草稿鏈。如果用的是大模型，基本什么方式都行；如果是小模型，就必須選擇最對(duì)口的方式才能有好效果。