人类会放弃，推理模型却坚持：将难度注册与深思分配分离

大型推理模型（LRMs）与人类一样，在更难问题上耗时更长，但在单题内部表现相反：人类答错时耗时更少（放弃），而 LRM 答错时生成更多 token（因不确定而延长）。本文区分了跨项目的“难度注册”和项目内的“深思分配”。研究发现，虽然两者在跨项目难度相关性上一致，但在固定题目下，LRM 表现出显著的“错误即长链”特征，而人类则相反。这表明 LRM 的链长由不确定性驱动，而非像人类那样基于参与或放弃的策略控制。