北京
把大模型脑子里想的过程"掏"出来看，这事听起来像科幻，但斗象科技的AIBeat平台真做了。他们拿全球15个前沿大模型做了一轮CoT思维链提取实验，结果有点反常识：公认的顶流GPT-4和Claude 3.5翻车了，反而是Gemma 4系列表现最稳。
实验怎么做的？
AIBeat把15个模型分成3组，每组5个，统一跑CoT思维链提取测试。所谓CoT思维链，就是模型在给出答案前内部推理的那一串逻辑步骤。能把这串步骤准确提取出来，意味着你能看清模型"为什么这么答"，这对AI安全审计和可解释性研究很关键。
测试结果直接拉开了差距。Gemma 4和它的微调版在提取准确性上表现最好，成功率远高于其他模型，尤其在量子校准实验分析这类复杂推理场景里优势明显。而GPT-4和Claude 3.5这两个业界标杆，反而出现了显著的提取失败。
为什么强模型反而"失手"？
报道里提到一种可能：这跟模型对量子校准实验的理解程度，或者提取算法和模型内部机制的匹配度有关。也就是说，不是GPT-4不会推理，而是它的推理过程"藏"得更深，现有提取手段够不着。
其他模型如Qwen、Llama和Mistral也参与了测试，表现参差不齐——有的能提取出部分数据，有的则完全失败。整体来看，稳定性都不如Gemma系列。
这事对行业意味着什么？
一个直接的启示是：模型能力强不强，和它的推理过程好不好"读"，是两码事。你在选型时如果只盯着跑分，可能选了个推理黑盒。反过来，Gemma 4这种开源模型在可解释性上反而更有优势，这对做AI审计、安全合规的团队是个重要参考。
当然，这只是一次实验评测，样本和场景有限，不能直接给模型能力排名下定论。但至少它提醒我们：当你想搞清楚AI到底怎么想的，选对工具和模型，比想象中更重要。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
