🤖 AI

Humans Disengage, Reasoning Models Persist: Separating Difficulty Registration from Deliberation Allocation

本文揭示了尽管大型推理模型与人类在整体上都会为更难的问题分配更多时间，但两者表现出截然相反的内部策略：人类在最终失败的问题上花费的时间较少（表明存在策略性脱离），而模型在失败的问题上生成的 Token 更多（表明存在由不确定性驱动的审慎思考），这种关键的分歧被标准的难度相关性指标所掩盖。

原作者： Han-yu Wang

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Han-yu Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇关于该论文的通俗易懂且使用日常类比的解释。

核心思想：两种思维方式

想象你正在参加一场很难的考试。当你遇到难题时，你有两种反应方式：

“放弃”策略： 你意识到，“这对我来说现在太难了，”于是你迅速停止思考这个问题，以便为下一题节省精力。
“坚持”策略： 你意识到，“这很难，”所以你继续盯着它看，写更多的笔记，并更加努力地尝试，即使你最终还是答错了。

这篇论文发现，人类大多使用第一种策略，而AI推理模型（目前最智能的新型AI）则使用第二种。

背景：表面上的相似性

长期以来，研究人员一直认为AI和人类的思维方式是相同的。他们注意到一个模式：

当人类面对难题时，需要很长时间才能解决。
当AI面对难题时，它会在给出答案前生成很长的“思考”文本（token）。

看起来它们都在表达：“问题越难 = 投入越多。”论文称之为**“难度注册”（Difficulty Registration）**。人类和AI对于“哪些问题很难”达成了共识。

转折点：失败时会发生什么？

作者进行了更深入的研究。他们不仅观察了解决问题需要多长时间，还观察了当答案错误时会发生什么。

人类： 当人类答错题目时，他们通常在上面花费的时间更少。他们很早就意识到这是一个死胡同，并决定放弃。
- 类比： 想象你正在尝试修理一个坏掉的面包机。如果你发现插头没插，你会立即停止摆弄它。你不会在没插电的面包机上浪费20分钟试图修理它。
AI 模型： 当这些AI模型答错题目时，它们花费的时间（生成的文本量）比答对时更多。即使在失败时，它们也会不断地进行“思考”。
- 类比： 想象面包机没插电。AI会不断尝试按按钮、打开盖子、检查线圈，折腾20分钟，最后才写出一份关于其挣扎过程的详尽报告，然后承认：“哦，没插电。”

思维的两个层面

论文将思维分为两个截然不同的步骤：

注册（察觉）： “这个问题难吗？”（人类和AI对同样难的问题都回答“是”）。
分配（决策）： “既然我知道它很难，我该怎么办？”
- 人类： “它很难而且我卡住了？那我就停止尝试，去做别的。”（脱离/放弃）。
- AI： “它很难而且我卡住了？那我要思考得更努力，写得更多。”（坚持/持续）。

为什么 AI 会这样做？

作者认为，AI并不是以人类的方式在“固执”；它是受不确定性驱动的。

当AI感到不确定时，它的内部程序指令它通过生成更多文本来寻找答案。
不幸的是，在那些它最不确定的问题上，它往往会失败。因此，每当AI出错时，它生成的“思考”链条反而最长、最详细。
这就像一个侦探，在感到困惑时不是意识到自己找错了案子并停下来，而是不断地写更多的笔记。

“人类”的一面

论文还解释了人类为何表现得不同。人类拥有**投入与放弃（engagement vs. abandonment）**的概念。

如果一个人尝试一个问题并很快卡住，他们通常会意识到，“我解决不了这个，”然后停止。这就是“放弃”。
如果他们继续尝试并最终解决了问题，那么他们就在上面花费了大量时间。
数据显示，人类会将时间花在他们预期能解决的问题上，并放弃那些无法解决的问题。

结论：同样的地图，不同的指南针

论文得出结论，虽然AI和人类在表面上看起来很相似（面对难题都会耗时更久），但它们在如何分配时间方面使用的是完全不同的规则。

指标陷阱： 之前的研究只观察了“地图”（哪些问题是难的）。他们看到AI和人类是匹配的。
现实情况： 当你观察“指南针”（它们如何处理失败）时，它们指向的是完全相反的方向。

简而言之： 人类擅长知道何时放弃一个糟糕的问题以节省精力。目前的AI模型不擅长放弃；它们在原地打转（生成文本）时也会继续“思考”，导致它们在最容易出错的时候，思考过程反而最长。

这对未来意味着什么（根据论文观点）

论文并未声称这是一个临床问题或是一个特定的修复方案。相反，它提出了测试AI的一种新方法。

测试方法： 如果我们提前切断AI的“思考”过程（截断），它是否仍能得到正确答案？
预测： 如果AI只是因为困惑而在“填充”内容，那么缩短思考时间对它的准确性影响不大（因为它之前只是在浪费时间）。如果AI确实在做有用的工作，那么缩短思考时间会导致它失败。作者认为，这种测试对于判断AI的额外思考究竟是有益的，还是仅仅是混乱的表现，是非常必要的。

技术摘要：人类脱离，推理模型持续

问题陈述
近期研究（de Varda 等人，2025）确立了大型推理模型（LRMs）与人类在表面层面的对齐：两者在处理难题时都会生成更长的推理轨迹（或耗费更多时间）。这种“跨项目对齐”表明，LRMs 与人类一样能够感知难度。然而，这种相关性混淆了两种截然不同的认知过程：难度注册（对项目进行难度分级）与审议分配（在已知难度后，决定在特定项目上投入多少计算量）。

本文认为，跨项目相关性不足以声称存在机制上的相似性，因为它们并未揭示智能体如何根据自身的成功与失败来调度计算。目前尚不清楚 LRMs 是否像人类一样，会对那些预期能解决的项目投入更多精力（参与度），还是基于另一种信号（如不确定性）来分配精力，即便这种投入最终会导致失败。

方法论
本研究引入了一个两级诊断工具，旨在将“注册”与“分配”分离。该工具利用了一个公开的、匹配的人类–LRM 语料库，涵盖三种推理范式：H-ARC（视觉抽象）、INTUIT（直觉物理）和 Cortes（二元关系推理）。

难度注册（探测器 1）： 作者复现了跨项目分析，即相关联 LRM 推理轨迹长度与人类反应时间（RT）在不同项目间的关系。
审议分配（探测器 2）： 该研究的核心创新是一个基于结果条件化且受项目控制的诊断。作者提出了疑问：在给定固定项目的情况下，智能体在回答正确与回答错误时的审议时间是否有所不同？
- 指标： 使用智能体内 $d$ -比率（within-agent $d$ -ratio）来衡量。该比率定义为对数审议时间（人类为秒，LRMs 为推理 token）在错误试验与正确试验之间的 Cohen's $d$ 值： $d = (\bar{\ell}_{wrong} - \bar{\ell}_{right}) / s_{pooled}$ 。
- 控制变量： 为了将分配与难度分离，分析使用了项目固定效应（吸收项目身份）和难度控制回归。这确保了比较严格限定在同一项目内部，防止跨项目的难度梯度产生混淆。
- 归一化： 审议时间是在每个智能体各自的原生尺度内测量的（秒 vs. token）；从未直接比较绝对量级。
- 模型： 对比了六个开源权重思考型 LRM（如 DeepSeek-R1, Qwen-QwQ, gpt-oss）以及一个非思考基准模型（DeepSeek-V3）。

关键结果
研究发现“注册”与“分配”之间存在脱节：

注册（对齐）： 思考型 LRM 与人类在判断哪些项目较难这一点上达成了一致。LRM 的轨迹长度与人类在不同项目间的 RT 正相关（Spearman $\rho = 0.16–0.30$ ），复现了 de Varda 等人（2025）的研究结果。
分配（分歧）： 一旦固定项目身份，两种系统表现出截然相反的分配策略：
- 人类： 表现出负向或接近零的 $d$ -比率（在 H-ARC 上 $d = -0.10$ ）。人类在答错的项目上花费的时间更少，这符合参与 vs. 放弃（engagement-vs-abandonment）策略：他们会在预期能解决的项目上坚持，而在无法解决的项目上撤退（放弃）。
- 思考型 LRM： 表现出巨大的正向 $d$ -比率（在 H-ARC 上 $d = 1.47–3.13$ ）。LRMs 在答错的项目上消耗了更多的 token。这表明其遵循一种不确定性驱动长度（length-on-uncertainty）的策略：当模型感到不确定时，推理链会增长，而这恰恰是它容易失败的时机。
- 非思考基准模型： 非思考型的 DeepSeek-V3 在某些任务上也表现出正向 $d$ -比率，这表明在不确定性下增加长度可能是基础生成的一种属性，而非特定的“推理”分配策略，尽管思考型模型的效应更为显著。
轨迹内容： 在 LRM 的轨迹内部，错误试验包含更高密度的自我怀疑标记（如“wait”, “hmm”），在 H-ARC 任务中表现明显；在 Cortes 任务中则表现为更高的词汇重复。这支持了“长度是由不确定性驱动而非有效搜索驱动”的解释。

贡献

概念分解： 本文正式将难度注册与审议分配区分开来，证明了跨项目对齐并不意味着共享的停止策略。
新诊断工具： 引入了基于结果条件化且受项目控制的 $d$ -比率，将其作为评估人类–LRM 在元认知控制方面对齐程度的必要测试。
经验发现： 研究揭示了虽然 LRMs 与人类在“什么东西很难”这一点上达成共识，但在“如何应对这种难度”上存在根本分歧。先前的研究中观察到的对齐掩盖了相反的分配策略。

意义与主张
本文主张，观察到的脱节现象挑战了“LRMs 实现了类人元认知控制”的观点。

元认知解耦： 结果表明，在当前的思考型 LRM 中，不确定性监测（由犹豫或长度体现）与停止控制是脱节的。人类利用监测来门控投入（在低价值试验中撤退），而 LRM 在不确定时似乎会继续生成 token，无论边际收益如何递减。
资源理性解释： 在资源理性框架下，人类的行为模式符合一种当预期边际收益消失时撤回投入的停止规则。LRM 的模式则暗示其要么未能根据项目特征对预期收益进行条件化，要么其优化目标与任务准确性不同（例如，长度条件化的偏好）。
方法论转向： 作者认为，未来的 LRM 认知建模必须将跨项目注册测试与项目内分配测试相结合。仅依赖跨项目相关性不足以断言其具有机制上的相似性。

局限性与未来方向
作者明确指出，其发现是观察性的，并未证明额外 token 的因果价值。他们并不声称 LRM 是“非理性的”，而是认为它们执行了不同的资源理性策略。论文提出，受控推理截断（controlled inference-time truncation）是下一步区分“不确定性驱动长度”（截断不会损害准确性）与“有效搜索”（截断会降低性能）的必要手段，而本研究尚未进行此类测试。研究范围限于开源权重模型及特定数据集，且“参与 vs. 放弃”的解读是对行为特征的解释，而非对内部架构的直接观察。