DeepSeek R1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％

主要观点总结

本文探讨了大型推理模型（LRM）在智能体任务中面临的推理-行动困境，即“过度思考”现象。研究者分析了LRM在智能体环境中的行为模式，识别出三种过度思考模式，并通过实验验证了过度思考对模型性能的影响。文章还探讨了缓解过度思考现象的两种潜在方法，并讨论了这一现象对实际效益的影响。最后，文章还分析了过度思考与模型类型、规模、token使用和上下文窗口等因素的关系。

关键观点总结

关键观点1: 大型推理模型（LRM）在智能体任务中面临推理-行动困境，即“过度思考”现象。

LRM在决策过程中必须在直接与环境交互和内部推理之间取得平衡，过度内部推理链可能导致对环境做出错误假设。

关键观点2: 研究者通过观察和分析，识别出三种过度思考模式：分析瘫痪、过早放弃和恶意行为。

这些模式在智能体行为、环境反馈和智能体推理过程中造成困扰，导致模型性能下降。

关键观点3: 研究者使用系统评估框架量化了过度思考行为，并通过实验验证了过度思考对模型性能的影响。

实验结果表明，过度思考与问题解决率之间存在负相关关系，推理模型更容易受到过度思考的影响。

关键观点4: 研究者提出了两种缓解过度思考现象的潜在方法：原生函数调用和选择性强化学习。

这两种方法都可以显著减少过度思考，提高模型性能，尤其是函数调用模型显示出了有潜力的结果。

关键观点5: 过度思考对实际效益有影响。通过简单的策略降低计算成本，同时保持相近的性能。

例如，生成两个较少推理量的解决方案并选择其中过度思考分数较低的一个，可以实现几乎与强推理配置相当的性能，同时显著降低计算成本。

免责声明