大语言模型

OpenAI的o1是万金油吗？专家为思维链“泼冷水”！研究发现：这三种任务不适合让AI“想太多”，o1准确率直降36.3%！

2024 年 11 月 7 日

别想太多！这句劝解有一定道理，在很多问题上过度思考反而会适得其反！

AI是否也会这样呢？

自 OpenAI 的 o1 推出后，思维链成为了 AI 能力升级的一个新方向。

掌握了“慢思考”的 AI ,通过思维链的逐步推理，大幅提高了模型理解问题的深度和准确性。o1在国际数学奥林匹克（IMO）资格考试中取得了 83% 的惊人准确率，让人直呼逆天。

OpenAI的o1是万金油吗？专家为思维链“泼冷水”！研究发现：这三种任务不适合让AI“想太多”，o1准确率直降36.3%！

这种提升，正来源于 AI 对人类解决问题时逐步思考过程的模仿。

受到人类认知心理学的启发，普林斯敦大学和纽约大学的团队合作，希望验证在哪些特定任务中，思维链会对 AI 的任务表现起到负面作用。

OpenAI的o1是万金油吗？专家为思维链“泼冷水”！研究发现：这三种任务不适合让AI“想太多”，o1准确率直降36.3%！配图 2

先甩个结论：在人类不能“想太多”的任务上，有半数任务中思维链同样起到了负向作用，分别是：隐式统计学习（Implicit Statistical Learning, ISL）、面部识别（Face Recognition, FR）和含有例外的数据分类（Classification of Data with Exceptions, CDE）。

OpenAI的o1是万金油吗？专家为思维链“泼冷水”！研究发现：这三种任务不适合让AI“想太多”，o1准确率直降36.3%！配图 3 6个人类不适合过度思考的任务，AI中了三个

过度思考降低人类能力的任务，也可能是CoT损害模型性能的任务。

顺着这个思路，该研究团队找到了6个人类不能“想太多”的任务。

OpenAI的o1是万金油吗？专家为思维链“泼冷水”！研究发现：这三种任务不适合让AI“想太多”，o1准确率直降36.3%！配图 4

根据论文，人类不适合的过度思考的六种任务可以分为两类：

1. 隐式统计学习（上图中：ISL）：分类由人工语法生成的字符串。在这项任务中，人如果过度思考，反而会干扰潜意识中的统计规律学习，导致表现下降。

2. 面部识别（上图中：FR）：从一组具有相似描述的面孔中识别特定的脸。若过度思考，会破坏直觉性的视觉识别过程，影响识别准确率。

3. 含有例外的数据分类（上图中：CDE）：在存在例外的情况下学习标签。过度思考会导致对规则的过度概括，忽略例外情况，从而降低准确性。

4. 自然语言推理（上图中：NLI）：识别逻辑上的不一致。过度思考可能使人们更容易忽视逻辑不一致性。

5. 空间直觉（上图中：SI）：倾斜水杯的判断。若人过度思考，则可能干扰直觉性的空间判断。

6. 工作记忆（上图中：WM）：聚合文本中描述的多个特征以做出决策。过度思考容易使人信息过载，影响决策质量。

在实验中，除了 o1 以外， GPT-4o, Claude 3.5 Sonnet, Claude 3 Opus, Gemini 1.5 Pro 等主流模型也都被测到了。除了 o1 自带思维链，其他的模型则使用了一句简单的Prompt“Please reason about your answer before answering “Yes” or “No”（请在回答是或否前进行推理）”，人为配置了思考过程。

结果表明，在前三项任务中，模型性能都同人一样，出现了下降。

OpenAI的o1是万金油吗？专家为思维链“泼冷水”！研究发现：这三种任务不适合让AI“想太多”，o1准确率直降36.3%！配图 5

上图：任务一结果，OpenAIo1预览版，与GPT-4o 直给答案相比，绝对精度降低了36.3%。

不过，也有三个任务 AI 并未受到思考过度的干扰，这体现了人类与 AI 能力的不同。

OpenAI的o1是万金油吗？专家为思维链“泼冷水”！研究发现：这三种任务不适合让AI“想太多”，o1准确率直降36.3%！配图 6 AI不受影响的任务，以及为什么？

在自然语言推理任务中，CoT通常使得模型能力不降反升。

尤其在GPT-4o中，CoT对MNLI和SNLI（数据集名）的性能提高了40%以上。然而，在直给答案的Prompt引导下表现最好的模型——Gemini 1.5 Pro中，研究却看到了CoT造成的性能下降。

这说明，在自然语言推理任务下，思维链能帮助推理“底子”较弱的模型提升逻辑推理能力。

第二，在空间直觉任务上，CoT对模型性能的影响未有统计学的意义。原因很简单：LLM没有直觉！在如何倾斜水杯，水杯中的水会溢出来的这个问题上，模型不具有人类所有的运动模拟能力，物理模型仍然留待突破。

最后，在工作记忆任务上，CoT 也通常使得模型的性能得到提升。

在这个任务中，参与者被展示了48个有关公寓的描述，其中这些陈述描述了四个公寓选择中的一个积极、消极或中性的方面。在要求人类进行选择时，大多数人会做出糟糕的判断。

不过，由于模型记忆容量远超人类，不易出现信息过载现象，因此逐步思考后，保持了良好的决策水平。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

OpenAI的o1是万金油吗？专家为思维链“泼冷水”！研究发现：这三种任务不适合让AI“想太多”，o1准确率直降36.3%！

立即咨询 JOTO

想把这些做法用到你的业务里?

Start your enterprise AI rollout

Tell us what you need