當Gemini在代碼編輯器中反復調試時，突然陷入自我否定的循環，連續86次重復輸入"Iamadisgrace"，這個場景讓無數開發者感同身受。類似的情況在AI應用中屢見不鮮：撰寫長篇報告時前半段邏輯嚴密，后半段卻突然混亂；規劃旅行路線時訂票環節正常，計算總費用時卻出現離譜錯誤。這些現象引發了人們對大模型真實能力的質疑：它們是否真的具備可靠的推理能力，還是僅僅擅長制造表面合理的假象？

劍橋大學與斯圖加特大學等機構聯合開展的研究，為解開這個謎題提供了關鍵線索。研究團隊通過精密設計的實驗發現，大模型在復雜任務中的失敗并非源于"思考幻覺"，而是執行環節的脆弱性。就像經驗豐富的工匠懂得所有步驟，卻在實際操作中頻繁出錯，AI模型在執行連續任務時表現出驚人的不穩定性。

實驗設計堪稱"極簡主義"：研究人員為模型提供完整字典（每個單詞對應唯一數字）和初始數值，要求模型在每輪任務中根據指定單詞查詢數值并累加。這個連小學生都能輕松完成的任務，剝離了所有規劃與知識獲取的變量，純粹測試模型的執行能力。結果令人震驚：除兩個最小模型外，所有模型在首輪執行中均保持100%準確率，但到第15輪時，即便最先進的Qwen3-32B模型準確率也跌破50%。

研究揭示了一個惡性循環機制：當模型在執行過程中出現首次錯誤后，這個錯誤會像滾雪球般影響后續所有操作。研究人員通過主動注入錯誤發現，錯誤注入比例越高，模型后續表現越差，形成自我強化的失敗模式。這解釋了為何AI在撰寫長文時，一個初始數據的錯誤會導致全文偏離主題；也說明為何參數量超過2000億的Kimi-K2、Qwen3-235B等巨型模型，在面對歷史錯誤時反而表現更糟。

但研究同時帶來了轉機：單步執行準確率的微小提升，能帶來任務處理能力的指數級增長。軟件工程數據顯示，前沿模型的任務處理長度每7個月就翻倍增長。更關鍵的是，"思考型模型"展現出突破性潛力——這類模型在輸出結果前會進行內部驗證，如同人類做事前先打草稿。實驗數據顯示，DeepSeek-V3普通版僅能穩定執行2步任務，而其思考版R1可完成200步；GPT-5Thinking單輪執行達1000步，Claude-4-Sonnet也能穩定處理432步。

這種改進源于雙重機制：強化學習使模型更關注任務成功而非文本連貫性，每輪思考前的"歷史清零"則有效阻斷錯誤傳播。這類似于工匠在每道工序前檢查工具，而非盲目推進。研究顛覆了傳統認知：在追求模型智能化的同時，執行穩定性同樣關鍵。特別是對于需要處理數百步連續任務的智能體開發（如自動編程、醫療流程管理），執行力已成為核心競爭力。

參數量的持續增加并非盲目擴張，而是積累"長任務耐力"。當單步準確率從70%提升至80%時，模型可穩定處理的任務長度能從幾十步躍升至數百步。這種看似緩慢的進步，實則蘊含著質的飛躍。隨著思考型模型的普及，AI或許很快就能擺脫"紙上談兵"的形象，真正成為能可靠完成復雜任務的實用工具。