6 月 14 日消息，科技媒體 9to5Mac 昨日（6 月 13 日）發布博文，報道稱蘋果公司 6 月 6 日發布的 AI 研究論文《The Illusion of Thinking》引發爭議，專家質疑評估方法。

蘋果公司在論文中指出，即便是當前最先進的大型推理模型（LRMs），在復雜任務中也會崩潰。不過 Open Philanthropy 的研究員 Alex Lawsen 對此提出詳細反駁，認為蘋果的結論源于實驗設計缺陷，而非模型推理能力的根本性局限。

爭議的焦點是蘋果論文指出，即便是當前最先進的大型推理模型，在處理漢諾塔問題（Tower of Hanoi）等復雜任務時，也會出現徹底失敗的情況。

注：漢諾塔問題是一個經典的遞歸算法問題：上帝創造了三根柱子，并在第一根柱子上按順序套有 N 個大小不同的圓盤（自下而上，圓盤由大到小，呈金字形）。

規定每次只能移動最頂端的一個圓盤，并且保證整個過程中大圓盤不能放在小圓盤之上。欲將所有圓盤從第一根柱子移動到第三根柱子，試給出解決方案。

Open Philanthropy 的研究員 Alex Lawsen 近日發布反駁文章《The Illusion of the Illusion of Thinking》，認為蘋果的研究結果更多反映了實驗設計的缺陷，而非模型推理能力的真正局限。他在文章中直言，蘋果的研究混淆了輸出限制和評估設置問題，與實際推理失敗無關。

Lawsen 提出了三個核心問題，挑戰蘋果的結論。首先，他指出蘋果忽略了模型的 Token 預算限制。在處理 8 盤以上的河內塔問題時，如 Anthropic 的 Claude Opus 等模型已接近輸出上限，甚至明確表示“為節省 Token 而停止”。

其次，蘋果的 River Crossing（過河）測試中包含無解謎題，例如 6 個以上角色搭配無法滿足的船只容量限制，模型因拒絕解答而被扣分。

最后，蘋果的自動化評估腳本僅以完整步驟列表為標準，未能區分推理失敗與輸出截斷，導致部分策略性輸出被誤判為失敗。Lawsen 認為，這種僵硬的評估方式有失公允。

為支持觀點，Lawsen 重新設計了河內塔測試，要求模型生成遞歸 Lua 函數來打印解法，而非逐一列出所有步驟。

結果令人驚訝：Claude、Gemini 和 OpenAI 的 o3 模型均能正確生成 15 盤問題的算法解法，遠超蘋果報告的“零成功”復雜性界限。

Lawsen 得出結論：去除人為輸出限制后，LRMs 展現出處理高復雜任務的推理能力，至少在算法生成層面是如此。這表明，問題可能不在于模型本身，而在于評估方式。