一项最新研究揭示了多模态推理模型在追求深度推理时，反而更容易产生“幻觉”的悖论。该研究指出，随着推理链条的加长，模型对视觉输入的关注度下降，转而过度依赖语言先验知识，导致生成内容与图像脱节。为解决此问题，研究团队提出了RH-AUC评估指标和RH-Bench数据集，以衡量模型在推理与感知间的平衡，并为未来模型的稳健性训练提供了宝贵启示。

苹果公司发布论文《思考的幻象》，质疑大语言模型（LLM）的推理能力，认为其在复杂逻辑任务中性能崩盘。然而，一篇由独立研究员Alex Lawsen和Claude Opus 4共同撰写的反驳论文《思考的幻象的幻象》指出，苹果的评估存在严重缺陷，包括对Token输出限制的忽视、测试题目不严谨以及评估方式的片面性。这场辩论不仅揭示了当前AI评估方法的局限性，也引发了对AI智能本质和未来发展路径的深层思考。