@stevibe：哪些大模型真的“热爱思考”？实测7款模型5道数学题，推理长度大比拼。思考冠军：bo…

X AI KOLs Timeline 模型
reasoning math benchmark token-usage

摘要

7款大模型在5道数学题上的基准测试；Qwen3.5 27B与35B A3B生成最长推理链，每题超10k tokens。

哪些大模型真的“热爱思考”？实测7款模型5道数学题，量化推理长度。思考冠军：两款Qwen3.5（27B与35B A3B）——究极“过度思考者”，单题可达10k+ tokens。剧情反转：> Kimi K2.6看似话痨，实则……
查看原文
查看缓存全文

缓存时间: 2026/04/21 19:25

哪些大模型真的“爱思考”？实测 7 款模型 5 道数学题，量化了推理长度。
“思考狂魔”冠军：两款 Qwen3.5（27B 与 35B A3B）——极致过度思考，单题能飙到 1 万+ token。
剧情反转：> Kimi K2.6 看似话痨，实际却是

相似文章

对概率算子进行逻辑推理的LLM能力基准测试

arXiv cs.CL

本文介绍了一个包含14,320个程序化生成提示词的基准测试，用于评估LLM在涉及“probably”“might”“must”等概率算子的逻辑推理上的表现。作者对29个模型进行了测试，发现了系统性的答案偏差，并表明只有9个模型的表现超过了随机水平。

MA-ProofBench：一种用于数学分析中定理证明的LLMs两级评估

arXiv cs.AI

MA-ProofBench是一个新的形式化基准，用于评估LLMs在数学分析中的定理证明能力，包含200个问题，分为两个难度级别。最佳模型GPT-5.5在Level I上仅达到16%，在Level II上为5%，突显了非形式化推理与形式化推理之间的显著差距。