GPT-5也会话到嘴边想不起来！谷歌测了450万次：钥匙丢了

新智元报道

那个名字明明就在嘴边。

你看到一张熟脸，却死活想不起他的名字，心理学给这种现象起过一个名字：「舌尖现象」（tip-of-the-tongue）。

现在，谷歌在一项研究里发现，GPT-5和Gemini 3也有同一种毛病。

这两个模型把95%–98%的测试事实都装进了参数里。可你直接去问，它们却有26%–34%的事实答不出来。

开启thinking多想一会儿，还剩11%–12%怎么也想不起来。

大模型答不出来，很多情况下真不是它大脑里没有，是学过了，取不出来。

这项研究叫《空货架，还是丢钥匙？》（Empty Shelves or Lost Keys?），收录于ICML 2026。

8月12日，Google Research发博客把结果集中讲了一遍，同时公开的还有一套名叫WikiProfile的基准和完整数据集。

货架没空

钥匙丢了

模型答错题，可能是两种毛病。

一种是压根没学过，那得往预训练里加数据、加参数；另一种是学过了，换个问法就调不出来，那是后训练和推理环节的事。

这两种问题，都曾被归结为一个准确率的问题。

谷歌提出的「知识画像」框架，不再问「这道题答对没有」，而是判断「这条事实在这个模型记忆中处于什么状态」，一共划分出五种。

「知识画像」把一条事实分成五种状态：存入失败、回忆失败、直接回忆、借助thinking回忆、未存入却靠推理答对。

同样一个错误答案，在不同的状态，修改方法也完全不同。

怎么判断一条事实存没存进去？

办法是把维基原文截到答案出现之前，让模型顺着写下去；或者在同样的上下文后面直接发问。

这两道题都不许开thinking，为的是把「记住了」和「推出来的」分开。

左侧测存没存进去，把维基原文截断让模型补完；右侧测答不答得出，换措辞、换正反方向反复提问。

基准叫WikiProfile，一共2150条事实，全部取自英文维基百科。

每条事实配10道题：2道测存没存进去，4道让它自己答，4道给选项挑。加起来21500道题。

出题全交给了模型：Gemini-2.5-Pro生成，Google搜索逐题验证，答案不唯一或题目有歧义的，连带整条事实一起丢弃。最后人工再验一遍，又砍掉不到2%。

跑分的是13个模型，覆盖Gemini 3、GPT-5、GPT-4.1和Gemma 3四个家族，每个模型开关thinking各跑一遍，每道题采样八次，攒出约450万条回答。

把一个前沿模型完整测一遍，大概要花500美元。

结果就是开头那组数字。

在前沿模型的事实错误里，「取不出来」已经压过了「没学过」，成了大头。

取不出来的

都卡在同两个地方

第一个是冷门知识。

过去的主流解释是模型容量不够，一些冷门事实压根没学进去。

这次的数据，冷门知识其实都存进去了。Gemini-3-Pro存下了94.5%的冷门事实，热门事实是99.5%，只差5个点。

可一开口回答，冷门事实就掉到63.3%，热门事实还有84.7%，差了21个点。

存的时候几乎没差别，取的时候差出四倍。

冷门事实（后20%）与热门事实（前20%）对比，存入率差距很小，直接回忆率差距明显拉开。

GPT-5的落差更大。

冷门事实它存住了90.7%，热门事实98.4%。可一开口，冷门事实只剩下52.9%，热门事实还有77.8%。

将近一半的冷门事实明明躺在模型里，就是调不出来。

存入的时候差别不大，取的时候差别很大。长尾问题的真相，不是模型没见过那些冷门事实，是那些知识更难被叫醒。

第二个场景是反向提问，你问AI，汤姆·克鲁斯的妈妈是谁，它答得又快又准。你反过来问，这位女士的儿子是谁，它就卡壳了。

2023年那篇论文给它起名叫「反转诅咒」，模型学会了「A是B」，不会自动泛化出「B是A」。当年的解释是：双向关联压根没被学进去。

谷歌把同一批题改成了四选一，结果马上反转。

GPT-5正向问答的回忆率是82.9%，反向掉到74%。可一换成给选项的识别题，反向不但不比正向难，13个模型里有9个反而答得更好，剩下4个持平。

选择题会做，一换成问答题就答不出来了。

同一批正反向问题，四选一识别里反向不比正向难，闭卷生成里反向明显更难。

这说明那层关联显然是在的，真正卡住的是怎么把它挖出来。

作者的解释是，事实被存进去的时候，当时的语境、措辞和顺序也一并留在了里面。

你问的方式一旦偏离训练时的样子，钥匙就对不上锁。

thinking的另一个身份

帮它回忆

WikiProfile里的题，都是问一句答一句，中间没有推理步骤。

「Oasis第一场演出在哪个俱乐部」，这种题要么记得，要么不记得。

按理说让模型多想一会儿，也帮不上什么忙。

但thinking真捞回来了。那些存进去却答不出的事实，它找回了40%–65%。

关键线索，藏在它的偏好上：那些压根没存进去的事实，thinking只能捞回5%–15%。

开启thinking后被找回的事实比例，已存进参数的能捞回40%–65%，没存进去的只有5%–15%。

它不是在凭别的知识推演，是在原地找钥匙。

作者还顺手排除了一个更省事的解释。

有人会想，thinking无非是让模型答得更花，八次里蒙中一次的机会变大了。真是这样的话，答案应该更飘才对。

实际反过来了，开了thinking，同一道题八次里答对的次数反而更集中。

收益最大的两处，恰好是前面最堵的那两处。

Gemini-3-Pro的冷热门差距从21.4个点收窄到12.5个点，GPT-5的正反向差距从9个点收窄到2个点。哪儿最堵，它就往哪儿使劲。

谷歌另一篇姊妹论文《思考以回忆》（Thinking to Recall）给出了机制解释：

一是计算缓冲，那些吐出来的思考token哪怕内容本身没什么意义，也在给模型争取额外的隐式算力；

二是事实启动，模型先说出一批相关事实，等于给正确答案搭了一座语义桥。

这在人类认知里叫「扩散激活」（spreading activation）。

想不起某个人的名字，就先回忆他在哪家公司、留什么发型、上次见面是什么场合，名字常常自己就冒出来了。

摆脱「舌尖现象」的办法，人和模型居然是同一套。

但这种方式也有代价。

同一篇论文警告：如果思维链里那些中间事实是编的，最终答案的幻觉概率反而更高。

桥搭歪了，走得越远错得越离谱。

扩规模等于补货

不负责配钥匙

拿开源的Gemma 3家族当尺子。

参数从1B涨到27B，编码失败率从85%一路降到23%。

规模确实在补货，货架肉眼可见地被填满了。可回忆失败没有同步下降。它在剩余错误里的占比一路上升，到27B时成了错误的主要构成。

放到前沿模型上更极端：回忆失败占了GPT-5.2全部错误的七成以上，而且模型越强，这个比例越高。

13个模型的五种状态分布，参数越大编码失败一路收缩，回忆失败几乎不动。

规模改善的是存了多少，不是取得出多少。

这并没有给scaling判死刑，而是给它划了一条边界。

既然存进去的比例已经摸到95%–98%的天花板，那么继续加参数、加数据，能换来的准确率提升正在肉眼可见地变小。

下一段增益更可能来自后训练和推理时的方法，也就是怎么用好已经存进去的知识。

检索增强当然能补位。

但作者也提醒道：参数里的知识仍然关系到流畅度、响应速度和跨语境整合，很难被外部检索完全替代。

它得先知道自己想不起来

那么，什么时候该让模型多想一会儿？

论文把这个问题定义成了元认知，也就是模型对自己状态的判断：它得先意识到「我直接答不上来」，才知道这道题值得开thinking多想一会儿。

过去两年，让模型更靠谱的默认答案是喂更多数据、堆更大参数。

这项研究把话说清楚了：事实层面，前沿模型的货已经上架得差不多了。接下来考验的，是它能不能自己把货取出来。

更麻烦的是下一步：它得先知道，自己想不起来。

参考资料：

https://research.google/blog/empty-shelves-or-lost-keys-recall-is-the-bottleneck-for-parametric-factuality/

https://aihot.virxact.com/items/cmsqe6mat01bsroli3hw71nz7

编辑：元宇