苹果（Apple）研究人员在受控谜题环境中测试了名为“大型推理模型（LRM）”的先进AI推理系统，发现这些模型在处理中等复杂度任务时优于“标准”大语言模型（LLM），但随着复杂度提升，两类模型都会完全失效。这家尚未处于AI发展前沿的公司认为，当前LRM和LLM在泛化推理能力——或者说模拟人类思维方式——方面存在根本性局限。
研究团队采用克劳德3.7十四行诗思维（Claude 3.7 Sonnet Thinking）和深度求索R1（DeepSeek-R1）等先进模型，通过汉诺塔、渡河问题等可精确调节难度的经典谜题，系统评估了AI应对复杂性递增任务的表现。有别于传统数学与编程测试，该研究特别关注模型内部推理过程与标准LLM在同等算力条件下的差异，试图揭示AI推理的真实能力边界。
实验显示：在简单任务中，未配备显式推理机制的标准LLM反而更精准高效，能以更低算力获得更好结果；当复杂度升至中等水平时，采用“思维链”等结构化推理的模型开始显现优势；但当复杂度继续提升时，所有模型的准确率都会归零——即便提供充足算力资源。（需注意克劳德3.7与深度求索R1存在训练数据局限）
深度分析推理轨迹后，研究人员发现反常现象：面对趋近失效阈值的难题时，推理模型竟会反常地缩短思考流程，尽管剩余算力充足；即便获得正确算法指导，模型仍无法可靠执行复杂任务的逐步指令，暴露出逻辑运算缺陷。研究还指出，模型在常见谜题与冷门谜题间表现差异显著，表明其成功更多依赖训练数据熟悉度，而非真正可泛化的推理能力。
