LLM总是把简单任务复杂化，Karpathy无语：有些任务无需那么多思考

主要观点总结

文章讨论了随着推理大模型和思维链的出现，大模型具备了「深度思考」的能力，这提高了不同任务的泛用性。但同时也出现了大模型在某些任务中过度思考的问题，导致简单任务变得复杂，长周期任务的能力追求影响了大模型的推理模式。AI领域专家Andrej Karpathy对此发表了自己的看法，指出过度思考可能源于大模型在长周期任务上的基准测试优化。

关键观点总结

关键观点1: 大模型具备「深度思考」能力，提高了任务泛用性。

随着推理大模型和思维链的出现，大模型能够对任务进行深入分析，从而胜任长周期、复杂度高的工作。

关键观点2: 大模型出现过度思考问题，导致简单任务复杂化。

现在的大模型在深度思考后，一些简单任务也需要很多的思考，展示了非常冗长的思维链，不打开深度思考时又难以准确得到想要的回复。

关键观点3: Andrej Karpathy指出大模型过度思考的可能原因。

Karpathy认为，大模型的过度思考可能源于在长周期任务上的基准测试优化，随着默认模式逐渐向高代理化状态靠拢，导致普通任务的响应受到影响。