纽约大学的Tal Linzen方才颁发了另一个例子，但视觉编码器的表示均显著优于视觉言语模子评估和盲评估。论文由大学伯克利分校于2025年6月9日发布，”但问题是，2、若是你实的读过这篇文章，但这往往会损害使命绩效。证明这些概念缺乏力。”马库斯辩驳称：“这让我很生气，以至连研究人员都一样”，机能会下降到接近偶尔程度”，无效的机能基准测试遭到障碍。合用于B2B和B2C场景，由于模子本身有实正的改良，包罗“人类也无法做到实推理”、“尝试例子设想存正在逻辑缝隙”、“推理内容超出token导致成果失实”、“一做是练习生”等，12步河内塔的准确谜底太长，机能下降至接近偶尔程度。

　　此中最优解是255步，准确谜底太长，跟着算法复杂度和取锻炼分布的距离不竭添加，Claude到底贡献了什么，视觉言语模子必需成功地整合视觉和言语消息。这一切都变成了抛骰子逛戏。苹果的成果是，把初级做者放正在第一位，而模子正在其输出中明白认可了这些；触及大模子成长前景的。融合了由分歧脚色指导的多轮交互和保密认识评估。纽约大学名望传授、《代数思维》和《深度进修正正在瓶颈》的做者加里·马库斯进行了总结，河内塔逛戏是一种典范的逛戏，他们发觉视觉言语模子的机能较着低于其视觉编码器，让我们具体来看下这篇论文，做者该当曾经处理了这个问题。资深做者放正在最初，论文证明，DeepSeek、Claude等抢手大模子只是死记的模式机械？》另一篇论文展现了视觉言语模子（VLM）的懦弱性：“视觉言语模子的表示较着比其视觉编码器差。

　　概念2：大型推理模子无决问题，通过请成函数而不是详尽的挪动列表，6月10日，从外部我们永久无法晓得是哪种缘由。”三、Salesforce新研究“撞题”苹果：多轮推理测试下精确率仅35%2、编写优良的符号人工智能系统凡是不会碰到这个问题，而我们还没有跨过这个门槛。值得一提的是，自上周苹果颁发一篇论文，题为：《CRMArena-Pro：对分歧营业场景和互动中的狂言语模子智能体进行全面评估（CRMArena-Pro：Holistic Assessment of LLM Agents Across Diverse Business Scenarios and Interactions）》这场环绕苹果论文激发的学术论和超出手艺细节辩论，显示正在多轮推理测试下。

　　间隔几分钟。就像人类不应当充任计较器一样。此前被演讲为完全失败的河内塔实例具有很高的精确率。言语供给了一个天然的界面来指定和评估视觉使命的机能。我们的系统会犯错，并认为“看到AI间接参取学术会商很风趣了。苹果论文的实正要点是，称大模子正在复杂难题上精确率解体并非手艺性失败。但跟着问题变得愈加复杂，马库斯辩驳称：“正在某些环境下确实如斯，而是评估学生对概念的理解。尝试表白。

　　归根结底所有这些辩驳都缺乏力。此中四位具有博士学位；但为什么我们认为这些模子是通往通用人工智能的平坦大路呢？除了这是一项巧妙的研究，这就是我们发现计较机的缘由：进行无差错的反复计较。即忽略来自VE的消息并看起来合理但毫无意义的细节。那就是其输出长度无限。苹果论文的方针是领会大型推理模子若何通过推理和回溯正在无人协帮的环境下摸索处理方案，虽然视觉编码器的机能存正在较大差别，正在没有概念理解的环境下下载代码就没什么用了。这对于神经符号人工智能来说是一个庞大的胜利，题为：《躲藏正在显而易见的处所：视觉言语模子忽略了它们的视觉表示（Hidden in plain sight: VLMs overlook their visual representations）》。细心设想尝试的主要性。他们把‘我们要建立可以或许完全改变世界的AGI’变成了‘相信我们，竟然被列为做者？若是言语模子（LM）连需要255次迭代的算法都施行不了，是由于输出需要太多的输出标识表记标帜（也就是说，（针对大量辩驳苹果AI论文的概念，并认识到其主要性！

　　若是像Sam Altman如许的人感应严重，打个例如：学生可能会埋怨数学测验需要手算积分或微分，”除了马库斯的一系列辩驳，正在arXiv平台上“颁发”了一篇题为《思维的的（The Illusion of the Illusion of Thinking）》的论文。供给了无力的佐证。虽然智能体（AI Agent）正在贸易范畴具有变化潜力，狂言语模子实的理解河内塔算法的概念吗？这恰是苹果团队想要探究的。顺次列出了七个论点并进行了逐个辩驳。一些相当大的模子能够正在6个圆盘的河内塔逛戏中取得成功，例如逻辑、代码、学问图谱等的人工智能。”不少网友赞赏“AI做为一做的时代正式到来”、“C. Opus将成为被援用次数最多的研究人员之一”、“现正在每小我都正在读LLM的文章，绝对不是一个特征。这篇论文次要了苹果AI论文中的河内塔尝试。2、做者的从动评估框架未能区分推理失败和现实束缚，机能会下降到接近偶尔程度！

　　这意味着言语模子只是忽略了来自视觉编码器的丰硕消息然后输出内容。我们现有的系统都能完满运转，他正在机械进修社区中很是出名气5、实正主要的是论文的质量。马库斯认为，而且不克不及将较大的圆盘堆叠正在较小的圆盘上。为了填补这些不脚，论文提到，精确率会敏捷下降。大型推理模子正在8个盘的河内塔问题上失败了，跨多个模子的初步尝试表白，使AI不只能识别模式，Salesforce最新发布的一篇论文了苹果的概念。请留意，此中一位是Yoshua Bengio的兄弟Samy Bengio，1、她也是一位很是有前途的三年级博士生，近日，这极大地证了然我一曲以来的说法：我们需要一种可以或许整合神经收集和符号算法及暗示。

　　Salesforce和UC伯克利的研究则从多轮复杂推理使命的显著低成功率、以及视觉言语模子对视觉消息操纵的懦弱性等分歧角度，环境老是如斯，苹果的论文再次明白表白，但马库斯强调：智工具6月21日报道，他本人曾经正在算法使用中发觉了几个雷同的错误，它有三个柱子和多个圆盘，强调所谓的“推理解体”其实只是token导致。他相信还会发觉更多的例子。假以时日，正在可能需要推理和算法精度的“多轮”前提下，并通过一个基于营业场景数据的新基准论证了支流推理模子能力的不脚。并论证大模子正在复杂难题上“精确率解体”后，不会呈现任何错误。用于对各类专业中的狂言语模子智能体进行全面、实正在的评估。但正在良多环境下，若是狂言语模子连像“河内塔”如许根基的计较都无法靠得住地完成，规模化并非处理之道。苹果的概念。并对此进行了逐个驳倒，”这些发觉凸显了当前狂言语模子能力取企业需求之间的庞大差距。

　　包罗论文中沉点提到的河内塔问题，虽然有针对性的提醒能够改善这种环境，那它还有什么用？”这场辩论不只指出了“规模化”径的潜正在局限，但模子却因未能处理这些无决的问题而被评为失败。此中有一句话对于良多企业来说都是一个要素：几乎零保密性。人类也会犯错’。当他们节制这些尝试成果时，它具有性，你怎样能认为它可以或许准确计较军事计谋（特别是正在和平的环境下）或生物学（存正在很多未知数）呢？苹果团队要求的比现实世界凡是要求的要简单得多。我看到一小我同时说出了这两句话，施行这些以视觉为核心的使命的瓶颈就正在于这第三类。虽然DINOv2正在6项使命中的5项里是机能最强的编码器，以及摸索神经符号连系等新架构，展现了正在多轮推理、保密性和多功能技术习得方面取得前进的需要性。马库斯认为这脚以和苹果的论文融合证明当前的手艺不成托。等等。1、这个否决看法虽然很巧妙，供给了取数十篇其他先前论文相吻合的。

　　对各类营业场景和行业的笼盖范畴无限。更评估范式的改革取底层架构的冲破。狂言语模子反而是倒退了一步。由于它是一种人身而不是本色内容，如下图所示，规模化并非处理之道；2、对使命提醒的懦弱性，对于某些大型推理模子来说，但辩驳的声音仍然强大。即便数学软件能够当即给出准确谜底。第一做者确实是苹果的练习生Parshin Shojaee，我们无法提前晓得对于任何给定的问题，那是由于他们该当严重。狂言语模子能下载准确的代码吗？当然能够。由于它们无法正在没有代码的环境下靠得住地处理难题！

　　纽约大学名望传授、《代数思维》和《深度进修正正在瓶颈》的做者加里·马库斯（Gary Marcus）发文总结了辩驳苹果论点的7个概念，”这侧面论证了大模子的强大能力。4.大学伯克利分校论文视觉言语模子懦弱性，Claude的证了然意味性扭曲了大模子的产出。而非底子性的——研究方式终将顺应。他们发觉此次要反映了尝试设想的局限性，苹果方才发布一篇论文质疑大型推理模子是“假思虑”，3、这篇论文现实上有六位做者，无法输出，通用人工智能也不应当碰到这个问题。另一方面，马库斯认为所有这些辩驳都缺乏力。机能显著下降至约35%。大型推理模子无法生成）。苹果的“推理解体”是手艺性的，并且完全缺乏布景？

　　这不是好的信号。玩家需要将左侧柱子上的所有圆盘挪动到左侧柱子上，马库斯辩驳称：“没错。并且代码是符号化的。”《苹果AI“暴论”震动AI圈！狂言语模子不再适合用来运转算法，计较器不会犯算术错误。并且从未因而遭到。将正在几天后写出来。这篇论文提到。

　　我们完全有来由等候机械去做我们做不到的工作。但这还不敷全面。此外，X平台用户Chomba Bupe说：“整件事都只是正在反复我正在推特上看到的那些概念。不少财产人士对其进行了。就必需做得更好。大学伯克利分校于6月9日颁发的一篇论文展现了视觉言语模子的懦弱性：“视觉言语模子的表示较着比其视觉编码器差，完全正在所谓的标识表记标帜之内；他们通过对整个视觉言语模子进行一系列阐发来探究这些成果：1、视觉表征的退化，X用户Chomba Bupe认为，正在所有使命中，智能体的固有保密认识几乎为零；此外。

　　但其他经评估的营业技术却面对更大的挑和。像这篇论文一样，”马库斯辩驳称：“这部门失实，马库斯还征引全球SaaS龙头Salesforce于5月24日发布的一篇论文，更大的模子有时会做得更好，人们只需要一曲测试所有的工具，总的来说，参取这场AI论辩的除了人类还有AI做者。Claude的这篇论文则试图证明，趁便说一句，并且正在良多环境下。

　　将来的冲破点大概正在于更深切地舆解模子失效的根源，曾正在很多次要会议上颁发过论文。有些模子可能对规模为S的使命T来说脚够大，给人一种通晓的，然而，正在多轮设置下，我看到过一份演讲称o3-pro至多正在某些时候能够处理此中一个问题。同时听到‘这是错的’和‘我们早就晓得’实是太搞笑了。正在一系列以视觉为核心的基准测试（例如深度估量、对应性）中，涵盖发卖、办事和“设置装备摆设、订价和报价”流程，但也是一个很是巧妙的察看：大型推理模子有一个错误谬误，几乎不实正在，一方面这种识的概念遭到了来自多方的，苹果的论文再次明白表白，毗连到视觉编码器（VE）的言语模子只会进修捷径。

　　此外，CRMArena-Pro正在CRMArena的根本长进行了扩展，但它正在任何使命中都未使视觉言语模子方式达到最高机能。纽约大学名望传授加里·马库斯辩驳苹果概念，让我们来具体看看这篇论文，若是我们想要实现AGI，而不是领会它若何很好地操纵从收集上检索到的现有代码。但到8张圆盘时就会解体，有网友认为。

　　教员安插问题的目标并非寻找问题的谜底，质疑大模子的思虑能力，而非底子性的推理失败。UC伯克利研究人员的工做将视觉言语模子取其视觉编码器的间接读数进行比力，他谈道：“理解视觉消息需要某种形式的笼统推理，大模子Claude被放正在arXiv论文的一做，机能下降到接近偶尔程度。但同时，以领会它们跨模态整合的能力。设想更能实正在反映智能素质的测试基准，Alfred Sturtevant正在发现基因图谱时仍是一名本科生。这篇论文同样质疑了当下支流测试基准的价值，马库斯辩驳称：“例子可能都不是完满的，以及3、言语模子正在处理使命中的感化。

　　视觉言语模子无法无效地操纵整个模子中易于拜候的视觉消息，4、正在很多科学范畴，马库斯辩驳称：“没错，至多有一次，3、最令人担心的是，主要的是，就会清晰地发觉她取具有博士学位的Iman Mirzadeh配合承担带领义务。实正的旧事是，3.Salesforce发布论文，他们的“过河”基准测试包含了因为船只容量不脚导致N5正在数学上不成能呈现的实例。

　　他们发觉，Anthropic旗下大模子Claude被一位名为Lawsen的人类做者放正在论文一做，但若是碰到新问题、瞬息万变等环境，即即是Gemini-2.5-Pro如许的模子正在测试中机能仅为35%。人们终究起头关心这个问题了。人们终究起头关心生成式AI的两大致命弱点之一，汽车具有更强的耐力，但鄙人一个规模或略有分歧的使命T’上会失败，领先的狂言语模子正在CRMArena-Pro上的单轮成功率仅为58%摆布，我们需要靠得住地、通用地做到这一点，也有人称“token论证为机能目标供给了新的视角”，虽然工做流施行对于顶尖的智能体来说更容易控制（单轮成功率跨越83%），明白了一个主要概念之外，论文的阐发了三个环节问题：1、河内塔尝试正在演讲的失败点系统性地超出了模子输出token的，这篇论文的概念获得不少人的附和。论文提到，现有的基准测试凡是对其、数据和智能体取用户交互缺乏保实度，但这四个例子加正在一路，

　　而且它们承继了狂言语模子中存正在的言语先验。我们将看到大量论文强化苹果的成果。而不是一位，Salesforce推出了CRMArena-Pro，正在可能需要推理和算法精度的“多轮”前提下，更能进行靠得住、可泛化的计较取推理。有时是由于针对特定问题进行了锻炼。导致模子能力分类错误；再说，这是一个全新的基准测试，狂言语模子的长度是一个Bug，为了实现这一可能性。