研究者称大模型故意在用知识换推理能力

模型是故意变笨的吗？这不是你的错觉。AI领域正在发生一件怪事。推理分数一直在攀升，但模型本身对世界的认知却似乎越来越少。

我们来看看开源本地模型。举个最新数学成绩的例子：GLM-5.2在AIME 2026上得分99.2%，每个token大约激活400亿参数。Qwen3.5激活170亿参数，得分91.3%。DeepSeek V4-Flash激活130亿参数。

相比之下，2023年的原始GPT-4据传激活约2800亿参数，仍在AIME难度的题目上表现吃力。就连小模型端的成绩也十分惊人：量化后的Qwen3.5 9B仅需约6GB显存，在Artificial Analysis的智能指数上，分数几乎是之前最佳100亿参数以内模型的两倍。

如果你只衡量数学和代码能力，你会得出结论：单位参数的模型智能正在大幅提升。在这些基准测试上，情况确实如此。但如果你向这些模型问一个简单的事实性问题，情况就会反转，而且这是刻意设计的。情况已经发生了转变。

在SimpleQA这个不允许使用工具、测试短文事实回忆能力的干净基准测试上，目前的榜首（2026年中期数据中的Gemini 2.5 Pro）得分约为53%。即便花钱能买到的最强参数记忆，仍然会答错近一半问题。

Artificial Analysis测试了更小模型在其知识基准上的幻觉率：Qwen3.5 4B和9B达到了80%到82%。让一个9B模型告诉你一位19世纪二流数学家的出生年份，你得到的回答往往自信、看起来合理，却完全错误。

这不是意外。AI实验室正在故意用世界知识换取推理能力。

参数到底买来了什么？事实需要占用空间。《语言模型物理学》系列研究（Allen-Zhu & Li）用受控的合成事实元组测量了知识容量，发现了一个一致的限制：即便是量化为int8，语言模型每个参数大约存储2比特的事实知识。

一个7B模型大概能存储140亿比特——理论上来说，如果用干净数据训练足够长时间，容量足够覆盖英文维基百科加上标准教科书。后续研究将估算修正为每个参数2-3.6比特，具体取决于架构和精度。

这是非常昂贵的空间。存储全面的细节：出生年份、人口数据、API特性、历史注释、产品规格，正是过去推动前沿模型走向万亿参数规模的原因。

推理则完全不同。它由一套紧凑的可复用流程组成：问题分解、状态跟踪、自我检查、回溯、矛盾检测。这些流程的压缩效果比原始事实好得多。在可验证任务上的蒸馏和强化学习，可以高效地把这些能力转移到更小模型中。

大量使用合成教科书数据训练的Phi风格模型就是这种模式的例证：数学能力强，知识问答弱。留存下来的知识也故意做得很浅。模型只保留足够用来重（原文此处截断）