伊利诺伊大学香槟分校张俊宇团队联合麻省理工、宾大等院校搞出的这项研究，核心就是给ai的“思考行为”定了规矩——提出推理定律（lore）框架，第一次从理论上解释了为啥ai会“瞎琢磨”（简单题想太多）或“敷衍了事”（复杂题想太少），还给出了能让ai变“懂事”的训练方法。咱们用大白话把这个硬核研究拆明白，普通人也能看懂ai到底咋思考、咋变聪明。
一、先搞懂：现在的ai推理有多“不靠谱”？
咱们先看个生活里的例子：一个学生考试，遇到1+1=2这种简单题，非要写满一页草稿纸论证；碰到压轴的复杂数学题，却只写两行就交卷。现在的大型推理ai（比如openai的o1、deepseek的r1）就这德性——思考资源分配完全没谱。
这种“不靠谱”带来两个大问题：一是效率低，简单问题浪费算力，复杂问题算力不够；二是准确率差，该细想的没细想，该简略的瞎啰嗦，最终结果一言难尽。
研究团队一深挖，发现病根儿很简单：ai训练时没人教它“怎么合理分配思考时间”。就像家长教孩子做题，只讲“这道题咋做”，却没说“简单题快速过，复杂题多琢磨”，孩子自然乱分配时间。ai也是如此，没人给它定“思考规矩”，只能凭训练时的经验瞎蒙，导致推理行为又乱又不可控。
二、核心突破：推理定律（lore）——给ai的思考定“家规”
研究团队提出的推理定律框架，就像给ai制定的“思考家规”，包含计算定律和准确性定律两条核心规矩，还配套了验证方法，咱们一个个掰扯清楚。
1 两个核心定律：ai思考的“基本准则”
咱们把ai的推理过程比作厨师做菜，一下子就能懂这两条定律：
- 计算定律：思考资源要和问题复杂度成正比
好厨师做菜，炒个番茄炒蛋10分钟搞定，做道佛跳墙得花好几个小时——菜越复杂，花的时间和精力越多。
ai思考也该这样：解决问题需要的“思考资源”（比如推理步骤、算力消耗），必须和问题的复杂度成正比。
这里的“问题复杂度”，研究团队给了明确定义：解决问题需要的最少基本操作步骤数。步就能搞定，复杂度低；算一个复杂的矩阵运算，需要10步，复杂度就是前者的10倍。
按计算定律，复杂度10倍的问题，ai该花10倍的思考资源。但现在的ai经常违反这个规矩——简单题花10倍资源，复杂题只花1倍，纯属本末倒置。
- 准确性定律：问题越复杂，准确率越容易“断崖式下跌”
这个定律咱们用多米诺骨牌来理解：摆3块骨牌，轻轻一推就能全倒；摆100块骨牌，只要有1块没摆好，整个链条就断了，全倒的概率会急剧下降。
ai推理复杂问题时，就像摆多米诺骨牌——复杂问题需要分多步推理，每一步都有出错的可能，步骤越多，出错概率就会呈指数级上升，最终准确率“断崖式下跌”。比如解一道需要10步的数学题，每步准确率90，最终准确率只有348；要是20步，准确率直接跌到121，这就是指数衰减的威力。
2 两个验证原理：怎么判断ai守没守“家规”？
直接测量“问题复杂度”太难了（就像很难说清“番茄炒蛋和红烧肉谁更复杂”），研究团队又提出两个可落地的验证原理，相当于“家规执行的检查标准”：
- 单调性原理：问题越难，资源该越多，准确率该越低
就像爬山，爬500米的小山，花的体力少，登顶概率高；爬5000米的雪山，花的体力多，登顶概率还低。
对应到ai上：如果问题a比问题b复杂，那ai解决a时，该消耗更多思考资源，准确率也该比b低。要是反过来，就说明ai的推理行为出问题了。
- 组合性原理：独立问题的思考资源要“加起来”，准确率要“乘起来”
还是用做菜举例：做番茄炒蛋（10分钟）和红烧肉（30分钟），两道菜独立，一起做的话总时间该是10+30=40分钟；要是厨师只用20分钟就做完，要么偷工减料，要么瞎忙活。
对应到ai上：两个完全独立的问题（比如一道几何题和一道代数题，解题思路互不干扰），ai同时解决它们时：
要是ai的表现偏离这个标准，就说明它的思考分配又乱了。
三、lore-bench测试基准：给ai做“推理体检”
光有定律和原理还不够，得有工具检测ai守没守规矩。研究团队开发了lore-bench测试基准，相当于给ai做“推理行为体检”的专用工具，分两个部分：
1 lore-ono：检测单调性的“阶梯题集”
这个部分的核心是构造难度递增的问题序列，确保问题的复杂度关系是明确的，就像给学生出的“阶梯练习题”，从1步到30步难度逐步增加。
- 具体做法：选数学、科学、语言、编程4个领域，每个领域设计10个“种子问题”（比如基础的矩阵计算、简单的编程题）；然后给每个种子问题增加步骤，生成30个难度递增的变体（比如1步矩阵运算→2步→…→30步）。这样一来，第30个变体的复杂度明确是第1个的30倍。
- 检测目的：看ai解决这些阶梯题时，思考资源是不是随着难度增加而增加，准确率是不是随着难度增加而降低——如果是，说明ai符合单调性原理；如果不是，就是“体检不合格”。
- 防作弊设计：研究团队会仔细检查问题序列，排除那些有“捷径”的题（比如答案有周期性规律，ai不用推理就能蒙对），确保ai必须真思考，而不是耍小聪明。
2 lore-po：检测组合性的“拼盘题集”
这个部分的核心是组合两个独立的问题，就像给厨师出的“拼盘任务”，让他同时做两道毫不相干的菜。
- 具体做法：从着名的ath500数学数据集里，随机选两个来自不同学科的问题（比如几何题+代数题），组合成一道“复合题”；确保这两个子问题完全独立，解决一个对另一个没任何帮助。
- 检测目的：看ai解决复合题时，思考资源是不是等于两个子问题的资源之和，准确率是不是等于两个子问题的准确率之积——如果差得太远，就说明ai的组合性表现不合格。
四、体检结果：现在的ai有多“不达标”？
研究团队用lore-bench给10个主流推理ai（比如deepseek-r1系列、phi-4-i）做了“体检”，结果让人挺意外：单调性勉强及格，组合性几乎全军覆没。
1 单调性：大部分ai“基本及格”
面对阶梯题集时，大部分ai能做到“题越难，花的思考资源越多，准确率越低”，就像学生面对难题会多花点时间，虽然正确率下降，但态度是对的。
但也有例外：一些小模型（比如15b参数的模型）在某些领域“犯糊涂”——比如解决第30步的复杂题，花的资源比第1步的简单题还少，纯属“敷衍了事”。
2 组合性：几乎所有ai“严重挂科”
这是最严重的问题，几乎所有测试的ai都违反了组合性原理，主要表现为两种“思考错位”：
- 思考不足：偷工减料
- 思考过剩：胡思乱想
还是上面那道复合题，ai却花了50步推理，远超理论需要的30步。这就像厨师做番茄炒蛋，非要用做佛跳墙的步骤，又是熬高汤又是雕花，纯属浪费时间——不仅效率低，还可能因为步骤太多出错，准确率反而更低。
研究团队总结：现在的ai推理模式是“随机且不一致”的，就像没学过时间管理的孩子，完全凭感觉分配思考时间，根本没有章法。
五、对症下药：sft-po训练法——让ai学会“合理思考”
发现问题了，就得解决问题。研究团队开发了sft-po训练方法，核心就是“教ai学规矩”，让它慢慢学会按推理定律分配思考资源，咱们用训练运动员的例子来理解这个方法：
教练训练马拉松选手，不会让他瞎跑，而是会制定科学的训练计划，教他“前半程保存体力，后半程发力冲刺”——sft-po就是ai的“推理教练”，教它“简单题少花资源，复杂题多花资源”。
sft-po的具体操作步骤：
1 选“练习题”：构造复合题
从训练数据里选两个不同类别的独立问题，组合成复合题（比如“语文阅读理解+数学应用题”），确保两个子问题互不干扰。
2 找“示范老师”：让强模型生成标准答案
找一个更强大的“教师模型”（比如参数更多、推理能力更强的ai），让它给每个复合题生成多个解题方案——就像让经验丰富的老师给学生写示范答案。
3 挑“优质答案”：选符合组合性原理的方案
这是最关键的一步！不是所有示范答案都能用，研究团队会筛选那些最符合组合性原理的方案——也就是“解决复合题的推理步骤≈子问题1步骤+子问题2步骤”的答案。
相当于从老师的示范里，挑出“时间分配最合理”的那个，让ai照着学。
小主，这个章节后面还有哦，请点击下一页继续阅读，后面更精彩！
4 让ai“刷题”：学优质的推理模式
用筛选后的优质答案训练ai，让它慢慢记住“复合题该花多少步骤思考”，逐渐养成合理分配资源的习惯——就像学生反复看优质示范，慢慢学会合理安排考试时间。
六、训练效果：ai变“懂事”了，准确率还涨了！
研究团队在4个不同规模的ai模型（从15亿参数到8亿参数）上测试了sft-po方法，结果特别让人惊喜：ai不仅推理行为变规矩了，准确率还实打实提升了。
1 组合性偏差大幅降低：ai不再“瞎琢磨”
以15亿参数的模型为例，训练前的组合性偏差是528（简单说就是ai的思考资源分配和理论值差了一半多），训练后直接降到314——意味着ai的思考越来越“守规矩”，不再出现“简单题瞎忙活、复杂题敷衍了事”的情况。
就像一个学生学会了考试时间管理，不再在选择题上浪费半小时，而是把时间留给压轴题。
2 准确率显着提升：从“瞎蒙”到“真会做”
推理行为的改善，直接转化成了准确率的提升。比如在ai 2024数学竞赛题上，一些模型的准确率提升了超过7个百分点——这个提升可不是靠“死记硬背”，而是靠“更合理的思考”，是真正的能力进步。
3 意外惊喜：协同效应——单调性也变好了
sft-po本来是为了改善组合性设计的，但研究团队发现，它顺带还改善了ai的单调性表现——ai解决阶梯题时，资源分配和准确率变化更符合规律了。
这就像学生学会了合理分配时间，不仅压轴题做得好，简单题也做得又快又准，属于“意外收获”。
4 对照实验：证明是“方法有用”，不是“瞎猫碰上死耗子”
为了确保提升不是偶然，研究团队做了对照实验：用同样的训练数据，但不筛选符合组合性原理的答案——结果模型的准确率几乎没提升。
这就证明：是推理定律指导的训练策略起了作用，而不是简单的“多刷题”。
七、这个研究到底有啥用？
1 理论意义：给ai推理搭了“科学框架”
以前咱们研究ai推理，就像“没有食谱的烹饪”——全靠经验和试错，不知道为啥ai这么思考，也不知道咋改进。
现在推理定律框架来了，就像物理学里的牛顿定律——第一次给ai的推理行为提供了可验证的科学规律，让咱们能“看懂ai的思考”，而不是把它当成“黑盒子”。
2 实际意义：让ai更高效、更靠谱，还省钱
- 对开发者：不再“盲目堆算力”
以前想提升ai推理能力，开发者只能“堆参数、加算力”，不仅成本高，还不一定有用。现在有了推理定律，开发者可以针对性设计训练策略，让ai用更少的算力，达到更好的效果——相当于“花小钱办大事”。
- 对普通人：ai助手变“贴心”了
以后咱们用ai写报告、解数学题、做方案时，ai不会再“简单题写一堆废话，复杂题只写两行”——它会根据问题难度合理分配思考时间，给出的答案更准确、更高效。比如你问ai“怎么写一篇500字的读后感”，它不会给你写2000字的冗余内容；你问它“怎么解一道复杂的微积分题”，它也不会敷衍你。
- 对关键领域：让ai更安全、更可控
在医疗、金融、工业这些关键领域，ai的推理行为可控太重要了。比如用ai诊断疾病，要是ai“敷衍了事”，可能会漏诊；要是“瞎琢磨”，可能会误诊。推理定律能让ai的诊断过程更合理、更透明，提升医疗ai的可信度。
八、研究的局限性与未来方向
研究团队也坦诚，这项工作还有不少短板，未来还有很多可探索的方向：
1 测试基准的问题多样性不够：目前lore-ono只有40个种子问题，覆盖的领域和题型还不够多——就像体检只查了几个项目，不够全面。未来需要扩大题集规模，加入更多类型的问题（比如常识推理、创意写作）。
2 “问题独立性”的定义不够精准：现在判断两个问题是否独立，主要看学科类别，现实中有些问题看似独立，实则有隐藏联系——未来需要更精细的方法来定义“独立性”。
3 没测试最顶尖的闭源模型：由于计算资源限制，研究只测试了开源模型，像gpt-4、cude这些闭源大模型的推理行为还不清楚——未来需要把这些模型纳入测试，验证推理定律的普适性。
4 对准确率组合性的优化还不够：目前sft-po主要优化的是“思考资源分配”，对“准确率的指数衰减”还没有很好的解决办法——未来需要研究新方法，让ai在复杂问题上的准确率不再“断崖式下跌”。
九、核心总结
张俊宇团队的这项研究，干了一件“从0到1”的大事——第一次给ai的推理行为定了科学规律。推理定律框架就像ai的“思考家规”，sft-po方法就像“教家规的老师”，两者结合，让ai从“瞎琢磨”变成“会思考”。
未来随着这个研究的推进，ai会变得越来越“懂事”——不仅能更高效地解决问题，还能让我们更清楚地知道“它为啥这么思考”。这不仅能提升ai的性能，还能让ai在更多关键领域安全落地，真正造福人类。