Claude成为论文第一作者Claude发论文反驳苹果
Claude贴脸开大：AI不会思考，才是最大的幻觉？
关于苹果论文的讨论沸沸扬扬进行到今天，真正的艺术出现了——
Claude Opus作为第一作者“发表”了一篇“论文”，直指苹果论文实验设计有问题，推理崩溃只是达到了输出限制，并不是真正的推理能力不足。
在这份只有四页的薄薄论文当中，Claude Opus言辞犀利地提出了苹果论文的三大问题：
一、输出限制被误认为推理失败。
Twitter用户@ scaling01的复现实验捕捉到，模型在解决河内塔问题时曾明确声明：“模式会继续，但为避免冗长，我将在此停止。”
这说明，AI模型理解问题的解决步骤，但为了避免输出过长，主动选择了停止。苹果论文中报告的“崩溃”，实际上是模型达到了它能输出的最大Tokens限制。
将此类行为误判为“推理崩溃”，反映出苹果研究团队的评估框架无法区分“无法解决”与“选择不穷举”。
如果评估系统忽略了AI模型的这种“自主决策”能力，可能会导致对AI真实能力的错误判断。
为了验证这一点，Claude测试了同一批模型在河内塔N=15下的表现，并改用以下提示：
“求解15层河内塔。输出一个Lua函数，调用时打印解法。”
结果：所有测试模型（Claude-3.7-Sonnet、Claude Opus 4、OpenAI o3、Google Gemini 2.5）均表现出高准确率，仅使用了不到5000Token。
这证明，当移除了冗长的输出要求后，AI的推理能力依然是能打的。
二、无解实例被错误评估
在“渡河实验”中，苹果论文测试了参与者N≥6且船只容量b=3的实例。然而，研究表明，此类传教士-食人族变体问题在N>5且b=3时无解。
三、解决方案长度与问题难度混淆
作者将“组合深度”（即解决问题所需的最小步骤数）作为衡量问题难度的标准，这混淆了机械执行的复杂性与真正解决问题的难度。
举例来说，汉诺塔问题虽然需要指数级的移动次数，但每一步的决策过程相对简单。而某些渡河问题虽然移动次数少，但需要复杂的约束满足和搜索才能解决。
这解释了为什么AI模型能轻松完成上百步的汉诺塔问题，却可能在只有几步的渡河问题上“栽跟头”。
论文的最后，Claude还辛辣讽刺道：核心问题并非“LRM能否推理”，而是“评估方法能否区分推理能力与简单的打字输出”。
感兴趣的朋友们可以来读读原文：
