AI“压力面”，DeepSeek性能暴跌近30% | 清华&上海AI Lab

REST 团队 投稿
量子位 | 公众号 QbitAI

给AI一场压力测试，结果性能暴跌近30%。

来自上海人工智能实验室、清华大学和中国人民大学的研究团队设计了一个全新的“压力测试”框架——REST (Reasoning Evaluation through Simultaneous Testing)。

该框架在一个prompt里同时抛给模型多个问题，模拟真实世界中复杂的、多任务并行的推理场景。

结果发现，即便是像DeepSeek-R1这样的顶级模型，在“高压”之下的表现也大幅缩水，例如，在AIME24测试集上的准确率骤降29.1%。

给大模型来一场“压力测试”

如今的大模型在各种推理能力测试中动辄拿下接近满分的成绩。

如果让模型一次做好几道题，它还会那么“神”吗？

团队认为，当前大模型的评测模式普遍存在三大痛点：

区分度低：在许多基准测试中，顶尖模型的得分已趋于饱和，难以分出高下。例如，7B参数的DeepSeek-R1-Distill-Qwen-7B和671B参数的DeepSeek-R1在MATH500上的准确率分别为93.0%和97.0%，看似相差不大，但推理能力仍有显著区别。

成本高昂：由于现有的数学题几乎已经被纳入了大模型的训练数据。为了有效评估，社区不得不持续投入大量人力物力去开发更新、更难的测试题。但设计这样的测试题需要极高水平的人类专家，一年也出不了几个题。例如，AIME24和AIME25都只有30道题。

脱离现实：一次只答一道题的模式，无法考察模型在真实世界中处理交叉信息，完成多重任务的综合能力。

为了解决这些问题，团队设计REST框架——改造现有基准，如GSM8K、MATH500、AIME24等7个代表性推理任务，不再逐题测试，而是把多个问题拼接成一个长prompt，一次性让模型在一次输出中逐一回答。

研究团队基于GSM8K、MATH500、AIME24等7个主流推理基准，构建了REST评测集，并对超过30个参数从1.5B到671B的主流推理模型进行了全面测试。

这种“压力测试”不仅考察模型基础的推理能力，更深入评估了以往被忽视的几项关键能力

上下文预算分配：模型得聪明地决定怎么在多个题目中分配思考Token。

跨问题干扰抵抗：避免一道题的错误“传染”到其他题。

动态认知负载管理：在高压下保持高效推理，别在一道题上陷入“过度思考”的陷阱。

SOTA模型也“扛不住”，REST拉开差距

最强模型，在多题高压下也顶不住

LRMs可以在单个推理过程中处理多个相对简单的问题，但在REST下，性能皆下降。

如下图所示，DeepSeek-R1，在AIME24基准上，单题模式下效果拔群，但“压力测试”下准确率直降29.1%。其他模型也类似，整体性能大打折扣。

不同参数模型性能差距明显

传统单题测试中，不同大小模型得分都接近天花板。而REST揭示了不同尺寸模型之间存在显著的性能差异。如下图所示，7B参数的小模型在高压下崩得更快，而更大的32B参数的模型性能虽有下降但仍保持优势。如下图所示，不同压力水平下，模型性能拉开明显梯度——这让REST成为更强的“分辨器”，帮我们精准比较模型。

“过度思考”成大坑，long2short技术救场

为什么模型在REST下变差？分析显示，关键是陷入了过度思考的陷阱。就像学生考试，在一道难题上思考太久，没时间做后面的题目了。

但用long2short技术（鼓励模型缩短推理过程）训练的模型，就能更好地保留单题性能，在REST下领先。如L1Qwen-1.5B-Exact和L1-Qwen-1.5B-Max，在高压力水平下表现出显著的性能优势。如表6所示，L1-Qwen-1.5B-Max在MATH500上压力水平s=9时，准确率比R1-1.5B高出44.71%的显著差距。7B模型中也观察到类似的趋势。

动态分配token，有的模型更“聪明”

REST下，一些“聪明”的模型（如Nemotron-nano-7B和DeepSeek-R1）会动态调整推理预算：当压力增大时，它们为第一道题分配更少的推理token，留力后续。但低性能模型（如DeepSeek-R1-Distill-Qwen-7B）往往在前面的题上用掉太多token，留给后续问题的空间不足，导致整体崩盘。

这一观察表明，在REST中表现优异的LRM模型在压力下倾向于对早期问题进行更简洁的推理，从而为后续问题留出足够的空间。

团队将这种能力称为“自适应推理努力分配”，认为这是在REST下实现稳健性能的关键因素。

此外，REST还揭示了一些推理不良行为，如问题遗漏和对推理过程总结错误，这些问题在单问题评估中未被发现。

总而言之，REST不是简单加题，而是给大模型来场“压力测试”，挑战了“LLMs是多问题解决者”的普遍假设，揭示了当前评测方法的局限性，提供了一种更低成本、更贴近真实的评测数据构建新范式，为未来开发更健壮和强大的LRMs提供了更加深刻的见解。

论文地址：
https://arxiv.org/abs/2507.10541
项目地址：
https://opendatalab.github.io/REST
代码仓库：
https://github.com/opendatalab/REST