刚读完arXiv上这篇关于等价类问题的实证研究（2605.06882v1），感觉有必要聊聊我的看法。核心发现其实很扎心：在最简单的长链推理任务——判断随机等价关系下的变量相等性上，即便是o1、Claude这类推理型模型，随着变量数和关系链长度增加，准确率也出现了显著滑坡。非推理型模型更是直接崩盘。
技术上，等价类问题本质是并查集（Union-Find）的图连通性判断，逻辑上非常透明，但需要模型在隐式状态中维持多步传递闭包。论文里控制变量数量从5到20，关系链从3步到10步，结果推理型模型在10变量、5步关系时准确率还能接近90%，但到20变量、10步关系时直接掉到60%以下。这说明当前模型的‘长链推理’更多是模式匹配而非真正的符号推演，一旦路径变长，注意力机制就容易丢失中间状态。
个人经验来看，这和我们在实际RAG系统中遇到的‘多跳检索’问题如出一辙——模型在中间步骤容易‘遗忘’已建立的逻辑关系。我怀疑这些模型在训练时见过大量类似数学题，但泛化到随机生成的等价关系时，缺乏真正的因果推理能力。一个值得讨论的问题是：如果我们把等价关系换成非对称的偏序关系（如DAG上的可达性），模型表现会不会更差？另一个问题是：这种缺陷是否意味着我们需要在架构上引入显式的‘推理缓存’机制，比如类似Transformer的递归深度扩展？
从行业影响看，这篇论文给‘推理模型’的泡沫泼了盆冷水。如果连这种结构化、低噪声的简单任务都扛不住长链，那在复杂代码合成、法律条文推理等真实场景中，所谓的‘推理能力’可能更脆弱。未来方向应该是神经符号结合，或者至少让模型学会调用外部符号执行器来补齐短板。