Chunlin 的论文科普

AI 也会「想太多」？为什么给模型一个「选项菜单」反而更聪明

LLM 与智能体

你有没有过这种经历：一道开放题你想了半天写了一堆，结果参考答案给了个简单结论，你才发现自己想复杂了。AI 居然也会犯同样的错——而且这可能是它很多任务做不好的真正原因。

我们通常觉得，AI 表现差是因为”能力不够”：参数不够多、训练数据不够大、推理不够深。但最近一系列研究发现，很多时候问题出在另一个地方：我们没有给 AI 一把清晰的”标尺”。它不知道该用多细的粒度判断问题，不知道任务的边界在哪里，于是要么”想太多”，要么”做太杂”，空有一身力气用错了地方。

一个反直觉的发现：给 AI 选项，它反而变聪明了

先从一个很生活化的例子说起。

请看两个句子：

  1. 她加入了网球 club。
  2. club 投票决定涨会费。

请问这两个 “club” 是同一个意思吗？

你大概率会说”是”——都是”俱乐部/协会”的意思。但大语言模型（Large Language Model，LLM，即基于 Transformer 架构、在大规模文本上预训练的语言模型）很可能会说”不是”：一个是”运动俱乐部”，一个是”作为决策机构的俱乐部”，怎么能一样呢？

这不是模型不懂 “club” 这个词，而是它不知道词义要分到多细。这个任务叫做 WiC（Word-in-Context，语境词义判断）：给两个句子，判断同一个词在两个语境里的意思是否相同。听起来很简单，但长期以来 LLM 在这个任务上的表现都不如人意 [1]。

一篇 2026 年的论文 WiC is Not WSD: A Study on LLMs and Lexical Ambiguity Resolution 发现了一个反直觉的现象：只要在题目里额外附上这个词的几个候选义项（比如 “club：1. 协会 2. 棍棒 3. 夜总会”），模型的准确率立刻就上去了 [1]。

就像考试做选择题比做主观题容易——不是因为你突然变聪明了，而是因为评判标准明确了。你不用再纠结”我这个答案算不算对”，只要从给定选项里挑就行。

当然，实际情况比这个比喻更复杂：模型不是真的”不会做”，而是它默认的细分粒度和人类标注者不一样。给了选项，相当于把它拉到了和人类同一个标尺上。

WiC 不是 WSD：差的不是难度，是「标尺」

你可能会问：传统的 WSD（Word Sense Disambiguation，词义消歧）任务不也是判断词义吗？为什么模型在 WSD 上表现挺好，一到 WiC 就不行？

这正是这篇论文的核心洞见：WiC 和 WSD 的难度差，主要不在歧义本身，而在有没有显式的义项清单 [1]。

WSD 是给你一个句子和一个词，再给你一堆候选义项，让你选哪个对。WiC 呢？不给义项，直接让你判断两个语境里的词义”同还是不同”。表面上看 WiC 更简单，其实它多了一层隐藏的困难：你得自己决定”分到多细才算不同”。

为了验证这个想法，研究者做了一组对照实验：在同样的词义和同样的模型下，给 WiC 任务加上候选义项，看看会发生什么 [1]。

结果非常明确：

研究者还做了一个”WiC-through-WSD”的分解实验：不让模型直接判同异，而是让它先分别给两个句子做 WSD（选义项），再比较选出来的义项是否一样。这个简单的改动对小模型帮助巨大——Mistral 小模型带思维链时的准确率直接从 61.5% 飙到 82.3%，涨了超过 20 个百分点 [1]。

为什么会这样？因为模型有一种”过度思考”（overthink）的倾向：它特别喜欢说”词义不同”。数据显示，模型在粗粒度 WiC 上预测 “False”（不同）的比例高达 60.8%–69.1%，对”其实是同一个意思”的样本召回率只有 55.8%–73.8%，而对”真的不同”的样本召回率却有 93.5%–95.4% [1]。

人工错误分析更说明问题：在被判定为”模型答错了”的粗粒度样本里，有 32.5% 其实是模型有道理——它只是把词义切得比标注者更细而已。细粒度任务里这个比例更高，达到 54.3% [1]。

换句话说，很多所谓的”错误”，根本不是模型不懂词义，而是模型和人类对”词义边界该划在哪里”没有达成共识。

「想太多」不是个例：AI 世界里的「标尺缺失病」

词义判断里的”粒度问题”，其实是一个更普遍现象的缩影：AI 在很多任务上表现不佳，不是因为能力不够，而是因为判断标准或边界不明确，导致能力错位。

我们来看两个完全不同的场景。

第一个场景是多智能体协作中的”断言偏差”。论文 Message capacity and claim wording set the transition points of collective truth-finding in language-model networks 研究了一群 LLM 智能体讨论一个主张时，最后会达成什么共识 [2]。

按说讨论嘛，应该是越辩越明，真理越占上风。但实验发现了一个离谱的现象：8B 模型的集体判断，居然是跟着句子的”措辞方向”走，而不是跟着事实走。把一个错误主张加个否定词改成正确的，集体就会从一致错变成一致对；反过来也一样 [2]。

为什么？因为模型对”什么程度算成立”没有一个稳定的标尺。句子的肯定/否定措辞，相当于给了它一个默认的锚点，它就顺着这个锚点走了。研究者把这个叫做”断言偏差”（assertion bias）——主张本身的措辞设定了一个内在阈值，这个阈值甚至能压过网络讨论的动态 [2]。

更有趣的是，70B 模型身上没有检测到这种偏差 [2]。这和词义任务里的发现一致：大模型对”边界”的把握更接近人类，小模型更容易”走极端”。

第二个场景是单 Transformer 的”长序列失焦”。论文 On the Turing Completeness of Transformers and Agents 从理论上证明了：单个固定 Transformer 在输入长度无界时，是不具备图灵完备性的 [3]。

图灵完备（Turing completeness）是指一个系统能模拟任意图灵机的计算，换句话说，理论上能解决任何可计算问题。

为什么单个 Transformer 做不到？原因之一就是”标尺”的问题：序列越长，注意力的影响越分散，改中间一个 token 对末尾输出的影响会以 (log n)^层数 / n 的速度衰减 [3]。相当于一杯水滴进大海，越长大越没波澜。模型不是不会算，而是序列太长时，它”看不见”远处的信息，也不知道该把注意力的边界划在哪里。

解决办法是什么？给它一个明确的”分步标尺”——Agent（智能体）架构。把一个长任务拆成一步步来，每步只处理当前需要的信息，把结果写在内存里，再进行下一步。实验显示，同样的模型，Agent 模式做 30 步算术题，准确率比单模型高 20~35 个百分点 [3]。

你看，从词义判断到群体讨论再到长序列推理，问题的根子是一样的：没有明确的边界和标尺，再强的模型也会”失焦”。

从「想太多」到「做太杂」：多智能体的协作边界

单模型的”想太多”，到了多智能体系统里，就变成了”做太杂”——不知道哪些该分工、哪些不该分工，结果人越多越乱。

论文 Rethinking Multi-Agent Collaboration: When More Is Less 直接把这个问题做成了一个定理：多智能体协作不是万能的，它只在长程、依赖稀疏的任务上有系统优势；在紧密耦合的串行任务上，反而不如单智能体 [4]。

研究者用图论把任务建模成一个有向无环依赖图，然后提出了一个关键概念：桥边（bridge edge）——就是那些”移除后整个图会断开成两部分”的边。桥边就是任务的”天然切割线”：沿着这些线切，两个子任务几乎互不依赖，可以交给两个智能体独立做；如果乱切，每块都沾着别的块的奶油，反而更麻烦 [4]。

这个结论和词义任务的”粒度问题”简直是同一个逻辑的翻版：

都是”标尺”的问题。

实验也验证了这个想法：在命令行工具链、代码仓库生成这种”一环扣一环”的紧密耦合任务上，多智能体方法普遍不如单智能体；而在深度调研、日常多步骤指令这种依赖稀疏的任务上，多智能体才有明显优势 [4]。

更反直觉的是，把智能体数量从 4 个增加到 6 个、允许更深的递归分工，任务表现不仅没变好，反而普遍下降，token 消耗却大幅上涨 [4]。这不就是我们常说的”人多瞎捣乱，鸡多不下蛋”吗？

论文 From Process Loss to Assembly Bonus: Human-Grounded Diagnosis of Multi-Agent LLM Collaboration 从另一个角度印证了这一点：AI 群体协作时，从众性比人类强得多——改答案时受同伴影响的强度几乎是人类的 1.7 倍，而且收敛得更早，少数派的正确声音很难传出来 [5]。

这背后还是”标尺缺失”：当每个智能体自己的判断标准不稳固时，就更容易被多数带偏。

回到源头：词义粒度的老问题和新挑战

说到这里，你可能会觉得”粒度”是个新问题。其实不然——词义粒度的困惑，在 NLP 领域已经折腾了几十年。

传统 WSD 任务用的是离散义项清单，比如 WordNet 把每个词的意思拆成一个个独立的”义项”，任务就是从给定清单里选正确的义项 [6]。但很早就有人觉得这不自然：现实中词义哪有那么泾渭分明？一个词在不同语境里的意思，往往是”你中有我、我中有你”的连续变化。

于是就有了 GWSA（Graded Word Sense Assignment，分级词义赋值）的思路：不再非黑即白地说”就是这个义项”，而是给每个义项打一个适用程度的分，允许多个义项同时适用 [6]。2013 年的 SemEval 任务还专门设置了分级和非分级两种词义的赛道 [8]。

也有研究尝试从用法中自动归纳词义，而不是依赖人工定义的义项清单——这样既能缓解数据稀疏问题，也能更灵活地适应不同粒度的需求 [7]。

那这次的新论文推进了什么呢？它把”粒度”从一个”词义表示”的问题，变成了一个**“任务对齐”的问题**：问题的关键不是”词义到底是离散的还是连续的”，而是”做这个任务的时候，我们到底需要多细的粒度” [1]。

模型本身可能掌握了丰富的词义信息——它知道”运动俱乐部”和”决策机构”的区别，也知道”苹果手机”和”苹果电脑”的不同。但 WiC 任务没告诉它：这些区别算不算”不同的词义”？是算呢，还是不算呢？

这就留下了两个开放问题：

  1. 怎么让人类标注者和 LLM 的义项边界对齐？ 现在的情况是，各说各话，你觉得我错了，我觉得我对的 [1]。
  2. WiC 任务的最优语义粒度到底是什么？ 是 WordNet 那么细，还是更粗？有没有一个”黄金标准” [1]？

这些问题现在还没有答案。

尾声：AI 的「能力」和「边界感」

我们总在谈论 AI 的”能力”：参数多少、榜单几分、能不能通过图灵测试。但这一系列研究提醒我们，能力的发挥，离不开边界感。

一个模型再聪明，如果不知道判断的标尺在哪里，它就会”想太多”——把词义切得太细、把注意力散得太开、把分工做得太杂，最后反而做不好任务。

这给了我们一个很不一样的思路：提升 AI 表现，不一定非要堆参数、加算力。有时候，只要给它一把清晰的”标尺”——一个明确的义项清单、一个分步的执行框架、一条天然的任务切割线——它的表现就能上一个台阶。

从词义判断到多智能体协作，从单模型推理到群体共识，我们看到的是同一个主题的变奏：

AI 的”聪明”，不只是知道很多东西，更是知道在什么尺度上思考问题。

如果你只记住一件事

很多时候我们以为 AI 能力不足，其实是没有给它明确的判断边界。与其一味堆参数，不如学会给 AI 一把清晰的”标尺”。

参考文献

  1. WiC is Not WSD: A Study on LLMs and Lexical Ambiguity Resolution（arXiv、2026、全文精读）
  2. Message capacity and claim wording set the transition points of collective truth-finding in language-model networks（arXiv、2026、全文精读）
  3. On the Turing Completeness of Transformers and Agents（arXiv、2026、全文精读）
  4. Rethinking Multi-Agent Collaboration: When More Is Less（arXiv、2026、全文精读）
  5. From Process Loss to Assembly Bonus: Human-Grounded Diagnosis of Multi-Agent LLM Collaboration（arXiv、2026、全文精读）
  6. A Comparison of Knowledge-based Algorithms for Graded Word Sense Assignment（OPUS (Augsburg University)、2012、仅摘要）
  7. Making the Most of It: Word Sense Annotation and Disambiguation in the Face of Data Sparsity and Ambiguity（eScholarship (California Digital Library)、2014、仅摘要）
  8. Errata for SemEval-2013 Task 13: Word Sense Induction for Graded and Non-Graded Senses（2015、仅摘要）