隨著推理大模型和思維鏈的出現與普及，大模型具備了「深度思考」的能力，不同任務的泛用性得到了很大的提高。

借助思維鏈，大模型能夠對任務進行深入分析，完成任務規劃與拆解，從而勝任長周期、復雜度高的工作。同時，我們也能更直觀地了解模型的推理與分析過程，從中發現執行環節中的問題，并有針對性地調整指令，以更高效地完成目標。

可以說，有了「深度思考」的推理模型，才有了現在擁有多種輔助功能與自主能力的 AI 智能體。

但現在的大模型漸漸有些偏科了。為了構建應用能力更強的智能體，對長周期的復雜任務能力的追求已經影響到了大模型的推理模式。

不知道大家在平常使用 AI 工具的時候有沒有發現，打開了深度思考后，一些簡單的任務也需要很多的思考，展示了非常冗長的思維鏈，而不打開深度思考的時候，又很難準確的得到想要的回復。

這種現象越來越明顯了，尤其是當大模型進入工作流（例如編碼工作）的時候，其負面效應就更加顯著。

這不，AI 領域的大牛 Andrej Karpathy 也感覺到不對勁，發了長文推來指出這個令人無語的現象。

Karpathy 說，「LLM 在默認狀態下正變得比我日常使用需求更具『自主代理（Agentic）』傾向，甚至有些超出了我的平均使用場景」。

最明顯的的確是編碼任務，模型現在往往會進行較長時間的推理，傾向于在整個代碼庫中列出并搜索（grep）文件，會反復進行網絡搜索，對一些在開發中、且明顯并不完整的代碼里極少出現的邊緣情況過度分析、過度思考，甚至在非常簡單的查詢中，也常常需要幾分鐘后才返回結果。

尤其是在簡單的任務中，比如在運行腳本前快速檢查索引錯誤或其他低級錯誤，根本不需要如此復雜的任務分析和代碼處理。

因此 Karpathy 不得不經常打斷 LLM，并用類似這樣的指令限制它：「停，你想得太多了。只看這一份文件。不要用任何工具。不要過度設計。」

這帶來了很多麻煩，不僅是在編碼任務，我們發現日常使用 LLM 工具時候的類似打斷情況也越來越多了。

簡單拿剛發布幾天的 GPT-5 舉個例子，發布時 OpenAI 顯然意識到深度思考的問題，所以他們強調 GPT-5 是一個集成模型，也就是說，你用它的時候不需要在不同模型之間切換，它會自己決定何時需要深入思考。

但這個問題顯然沒有這么簡單。記得當時 GPT-4o 模型的圖像編輯生成功能很好用，但在更新到新模型后就不太一樣了。

我們給了 GPT-5 這個指令：「去除圖中文字，把這張圖變得高清一些，機器人的臉看起來更溫和一些」，希望它能夠調用圖像編輯的功能。

但結果它就開始進行「深度思考」了：

經過了 38 秒的思考，它考慮了很多細節，但仍然未能開始使用圖像生成功能，導致不得不打斷它的任務進程。

或許這也是用戶們無比懷念 GPT-4o 的原因之一。

正如 Karpathy 指出的，隨著默認模式逐漸向這種「超深度思考」的高代理化狀態靠攏，我們反而更需要一個相反的選項 —— 一種更直接有效的方式去表達或傳達我的意圖和任務的緊迫程度，從「快速看一眼」到「花 30 分鐘徹底確認后再回來」都能精確指定。

網友們也苦「過度思考」久矣，甚至為此回到了最樸素的使用方法。

對于這件事，Karpathy覺得罪魁禍首似乎是大模型「在長周期任務上進行了大量基準測試優化」，為了在基準測試上得到更好的成績，LLM的思考就更傾向于長周期的復雜任務的實現，因此影響了普通任務的響應。

他指出了兩種情境：

1. 我招呼同事過來看我屏幕上打開的一個文件，問他「這樣對嗎？」

2. 我讓某人坐在桌前，他們有 2 個小時來作答。這是一場考試， 風險很高。題目是「這樣對嗎？」

人類協作者能很自然地區分情境 1 和情境 2。但 LLM 并不知道你問的是 1 還是 2，而隨著時間推移、基準測試的不斷「極限化」，它會越來越傾向于假設你問的是情境 2。

這指出了大模型過度思考，復雜化任務的可能原因，大模型的發展不能完全以基準測試分數作為追求。