DeepSeek R1：思考过多导致效能瓶颈，简化策略实现成本削减43%的突破

在人工智能领域，深究高效能与成本控制的平衡点一直是科研人员追求的目标。近期，关于旗舰级模型DeepSeek R1的研究揭示了一个有趣的现象：过度复杂的思考机制并不总是通往更高性能的金钥匙。相反，当DeepSeek R1的操作接近其思维极限时，不仅未能提升解题能力，反而陷入了性能下滑的困境。这一发现促使研究团队采取了简化策略，通过减少不必要的计算步骤，巧妙地将计算成本削减了43%，这一成果为AI界提供了一种新的优化思路。简而言之，智能系统的优化并非一味增加复杂度，适时的“减法”反而能激发更高效的运行模式，展现了在算法设计中“少即是多”的智慧。

大型语言模型（llm）在执行任务时也可能面临“过度思考”的困境，导致效率低下甚至失败。近期，来自加州大学伯克利分校、uiuc、ethzurich和cmu等机构的研究人员对这一现象进行了深入研究，并发表了题为《过度思考的危险：考察代理任务中的推理-行动困境》的论文（论文链接：

研究人员发现，在实时交互环境中，LLM常常在“直接行动”和“周密计划”之间犹豫不决。这种“过度思考”会导致模型花费大量时间构建复杂的行动计划，却难以有效执行，最终事倍功半。

为了深入了解这一问题，研究团队使用现实世界的软件工程任务作为实验框架，并选取了包括o1、DeepSeekR1、Qwen2.5等多种LLM进行测试。他们构建了一个受控环境，让LLM在信息收集、推理和行动之间取得平衡，并持续保持上下文。

研究人员将“过度思考”分为三种模式：分析瘫痪（AnalysisParalysis）、恶意行为（RogueActions）和过早放弃（PrematuRedisengagement）。他们开发了一个基于LLM的评估框架，对4018条模型轨迹进行了量化分析，并构建了一个开源数据集，以促进相关研究。

结果表明，过度思考与问题解决率呈显著负相关。推理模型的过度思考程度几乎是非推理模型的三倍，更容易受到此问题的影响。

为缓解过度思考，研究人员提出了原生函数调用和选择性强化学习两种方法，并取得了显著成效。例如，通过选择性地使用低推理能力的模型，可以大幅降低计算成本，同时保持较高的任务完成率。

研究还发现，模型规模与过度思考之间存在负相关关系，较小模型更容易过度思考。此外，增加推理token数量可以有效抑制过度思考，而上下文窗口大小则没有显著影响。

这项研究为理解和解决LLM的“过度思考”问题提供了宝贵的见解，有助于提升LLM在实际应用中的效率和可靠性。

以上就是DeepSeekR1也会大脑过载？过度思考后性能下降，少琢磨让计算成本直降43％的详细内容，更多请关注其它相关文章！