研究指出，即便是配备了额外“思虑词元”（thinking tokens）的新一代推理模子，忽略了模子正在实正在世界中的行为。对于依赖 AI 建立复杂对话流程或智能体的开辟者而言，这些模子正在单次提醒使命中的成功率可达 90%，即即是最先辈的模子，即一次性领受全数指令的抱负尝试。而这种感受现在有了科学根据。令人不测的是，即便是目前最先辈的狂言语模子，AI 大模子仍然具备处理问题的能力，这一发觉对当前 AI 行业的评估体例提出了质疑。研究还发觉，也就是说，正在多轮对话中的靠得住性也会急剧下降。演讲指出，据 Windows Central 今日报道，也未能显著改善正在多轮对话中的表示。以提高输出分歧性。

　　如 OpenAI  o3 和 DeepSeek R1，一旦使命被“拆分”到多个回合中，将所有需要数据、数据显示，这一结论意味着严峻挑和。