大型推理模型（LRMs）在长链推理能力上面临挑战，现有评测体系无法有效评估其复杂任务表现。复旦大学与美团推出的R-HORIZON框架通过问题组合方法提升了模型的多步推理能力。评测显示，主流模型在长链推理中性能普遍下降，存在推理长度、反思机制和预算分配等瓶颈。通过强化学习训练，R-HORIZON显著提升了模型推理性能，标志着研究范式的转变。

TASER是一种利用大型推理模型进行自动翻译质量评估的指标，展示了在WMT24指标共享任务中的优越性能，尤其在非参考方法中排名第一。研究表明，结构化提示模板在LRMs中效果更佳，提升了可解释性和透明度，推动了翻译质量评估的进步。

近期的前沿语言模型引入了大型推理模型（LRMs），这些模型在回答前生成详细的思考过程。尽管在推理基准上有所提升，但其基本能力和局限性仍不明确。现有评估主要关注最终答案的准确性，忽视了推理过程的结构和质量。通过可控的难题环境研究发现，当复杂性超出一定范围时，LRMs的准确性会完全崩溃，且在高复杂性任务中表现不佳。

苹果机器学习研究发布论文《思维的幻觉》，探讨大型推理模型（LRMs）在解谜中的能力。研究发现，随着难度增加，LRMs在高复杂度下表现不佳，显示出模型的局限性。尽管LRMs在某些任务上优于标准LLMs，但在复杂问题上仍存在推理能力的根本限制。

苹果的研究表明，大型推理模型在简单算法挑战中表现不佳，尤其在复杂情况下。尽管能解决简单问题，但在复杂情境下依赖替代策略。研究强调基础模型需针对特定问题进行实验和开发，以提升AI应用的有效性。

大型推理模型（LRM）通过结构化强化学习提升推理能力，克服了依赖“顿悟时刻”的局限性。研究者提出了结合演绎、归纳和溯因推理的三阶段流程，显著提高了模型在数学和编程任务中的表现。

大型推理模型（LRMs）在推理任务中表现优异，但生成过程常常冗长低效，影响训练和应用。研究提出了提升思考效率的策略，如控制思考长度和动态资源分配，以优化性能与成本的平衡。未来研究将关注多模态推理、可信赖性和高效应用等方向。

杜克大学的研究揭示大型推理模型（LRMs）在安全性方面的隐忧，透明的安全推理思维链可能被攻击者利用，导致模型拒绝高危请求的能力显著下降。H-CoT攻击方法使OpenAI等模型的拒绝率从98%降至2%，显示当前安全机制的脆弱性。作者建议对安全推理过程进行适当隐藏，以增强模型防御能力。