摘要：来自剑桥大学和斯图加特大学的研究团队，针对“大模型是否值得继续扩展”等争议问题，给出了新的实验结果。他们发现：模型单步准确率的微小提升，会带来任务长度处理能力的超指数级增长，证明规模扩展仍有价值。

一直以来，“大模型持续升级会面临收益递减”的声音不绝于耳，毕竟从短期任务测试结果看，模型规模扩大后，单步准确率的提升似乎越来越慢。

来自剑桥大学、斯图加特大学等机构的研究团队，针对“小模型是否是智能体未来”“大模型算力投入是否因收益递减而不值”“自回归模型是否注定淘汰、‘思考’只是错觉”等热议问题给出了新答案。他们发现：模型能处理的任务长度，会随着单步准确率的提升呈超指数级增长。

为精准探究核心问题，研究团队把“规划”和“执行”进行了拆分。以往，大模型处理长任务失败，经常被归咎于“不会规划”，但这次实验中，研究人员直接给模型提供了明确的任务计划和所需信息，只让它负责“按计划执行”。

实验结果出人意料：以参数规模较大的Qwen3-32B和Gemma3-27B为例，在准确率不低于50%的前提下，它们能正确完成的回合数，远多于40亿参数的小模型。这说明，对大模型而言，哪怕规划和知识都已齐备，单纯的“执行”本身也并非易事，更不能把执行失败等同于“不会推理”。

研究还发现了一个反直觉的“自我条件反射效应”：很多人可能遇到过“模型处理任务越久，表现越差”的情况，过去常认为是“长上下文能力不足”，但实验证明并非如此。当模型看到自己之前犯过的错误记录，后续犯错的概率会显著增加。更特别的是，模型规模越大，这个问题反而越明显，成为罕见的“反向缩放”案例。

不过，“思考型模型”却能破解这个困局。这类模型即便看到了之前的错误记录，也不会受其影响，因为它们在推理时不参考之前回合的历史轨迹，且更关注任务成功而非延续上下文格式。

研究明确，“思考”并非错觉，而是执行能力的核心。比如DeepSeek-V3、Kimi K2这类模型，如果不开启链式推理（CoT），连5步隐藏执行都难以完成，但开启推理后，能完成的步骤直接翻了10倍。

在顶尖模型的测试中，各模型表现差距明显：GPT-5的“思考版”表现远超所有同类，一次能完成1000多步的任务，研究团队也好奇：“这会不会是GPT-5代号为‘Horizon（地平线）’的原因？”排名第二的Claude-4-Sonnet能完成432步，Grok-4以384步紧随其后，而Gemini 2.5 Pro和DeepSeek R1则相对落后，仅能完成120步。

值得关注的是，目前，开源模型如Qwen3、Gemma3系列在长任务执行能力上，仍落后于GPT-5、Claude-4-Sonnet等闭源模型，还有很长的路要走。不过研究团队已公开了所有实验代码和数据集，希望能凝聚更多力量，共同推进开源模型的长任务能力升级。

这项研究也为业界提供了新的评估视角：不能只看短任务表现来判断大模型价值，从长任务执行能力来看，持续的规模投入和算力优化，依然能带来显著回报。

参考资料：https://arxiv.org/abs/2509.09677