当前位置:首页 > DeepSeek技术交流 > 正文内容

AI“压力面”,DeepSeek性能暴跌近30%

导读

•AI导读带你速览精华

顶级AI模型在REST压力测试下性能骤降29.1%,多任务并行暴露三大短板:过度思考、预算失衡、错误传染。这场"高压考试"揭示了单题评测的局限,更聪明的模型会动态分配token,而小模型直接崩盘。

内容由AI智能生成

有用

REST 团队 投稿

量子位 | 公众号 QbitAI

给AI一场压力测试,结果性能暴跌近30%。

来自上海人工智能实验室、清华大学和中国人民大学的研究团队设计了一个全新的“压力测试”框架——REST (Reasoning Evaluation through Simultaneous Testing)。

该框架在一个prompt里同时抛给模型多个问题,模拟真实世界中复杂的、多任务并行的推理场景。

结果发现,即便是像DeepSeek-R1这样的顶级模型,在“高压”之下的表现也大幅缩水,例如,在AIME24测试集上的准确率骤降29.1%。

给大模型来一场“压力测试”

如今的大模型在各种推理能力测试中动辄拿下接近满分的成绩。

如果让模型一次做好几道题,它还会那么“神”吗?

团队认为,当前大模型的评测模式普遍存在三大痛点:

区分度低:在许多基准测试中,顶尖模型的得分已趋于饱和,难以分出高下。例如,7B参数的DeepSeek-R1-Distill-Qwen-7B和671B参数的DeepSeek-R1在MATH500上的准确率分别为93.0%和97.0%,看似相差不大,但推理能力仍有显著区别。

成本高昂:由于现有的数学题几乎已经被纳入了大模型的训练数据。为了有效评估,社区不得不持续投入大量人力物力去开发更新、更难的测试题。但设计这样的测试题需要极高水平的人类专家,一年也出不了几个题。例如,AIME24和AIME25都只有30道题。

脱离现实:一次只答一道题的模式,无法考察模型在真实世界中处理交叉信息,完成多重任务的综合能力。

为了解决这些问题,团队设计REST框架——改造现有基准,如GSM8K、MATH500、AIME24等7个代表性推理任务,不再逐题测试,而是把多个问题拼接成一个长prompt,一次性让模型在一次输出中逐一回答。

研究团队基于GSM8K、MATH500、AIME24等7个主流推理基准,构建了REST评测集,并对超过30个参数从1.5B到671B的主流推理模型进行了全面测试。

这种“压力测试”不仅考察模型基础的推理能力,更深入评估了以往被忽视的几项关键能力

上下文预算分配:模型得聪明地决定怎么在多个题目中分配思考Token。

跨问题干扰抵抗:避免一道题的错误“传染”到其他题。

动态认知负载管理:在高压下保持高效推理,别在一道题上陷入“过度思考”的陷阱。

SOTA模型也“扛不住”,REST拉开差距

最强模型,在多题高压下也顶不住

LRMs可以在单个推理过程中处理多个相对简单的问题,但在REST下,性能皆下降。

如下图所示,DeepSeek-R1,在AIME24基准上,单题模式下效果拔群,但“压力测试”下准确率直降29.1%。其他模型也类似,整体性能大打折扣。

不同参数模型性能差距明显

传统单题测试中,不同大小模型得分都接近天花板。而REST揭示了不同尺寸模型之间存在显著的性能差异。如下图所示,7B参数的小模型在高压下崩得更快,而更大的32B参数的模型性能虽有下降但仍保持优势。如下图所示,不同压力水平下,模型性能拉开明显梯度——这让REST成为更强的“分辨器”,帮我们精准比较模型。

“过度思考”成大坑,long2short技术救场

为什么模型在REST下变差?分析显示,关键是陷入了过度思考的陷阱。就像学生考试,在一道难题上思考太久,没时间做后面的题目了。

但用long2short技术(鼓励模型缩短推理过程)训练的模型,就能更好地保留单题性能,在REST下领先。如L1Qwen-1.5B-Exact和L1-Qwen-1.5B-Max,在高压力水平下表现出显著的性能优势。如表6所示,L1-Qwen-1.5B-Max在MATH500上压力水平s=9时,准确率比R1-1.5B高出44.71%的显著差距。7B模型中也观察到类似的趋势。

动态分配token,有的模型更“聪明”

REST下,一些“聪明”的模型(如Nemotron-nano-7B和DeepSeek-R1)会动态调整推理预算:当压力增大时,它们为第一道题分配更少的推理token,留力后续。但低性能模型(如DeepSeek-R1-Distill-Qwen-7B)往往在前面的题上用掉太多token,留给后续问题的空间不足,导致整体崩盘。

这一观察表明,在REST中表现优异的LRM模型在压力下倾向于对早期问题进行更简洁的推理,从而为后续问题留出足够的空间。

团队将这种能力称为“自适应推理努力分配”,认为这是在REST下实现稳健性能的关键因素。

此外,REST还揭示了一些推理不良行为,如问题遗漏和对推理过程总结错误,这些问题在单问题评估中未被发现。

总而言之,REST不是简单加题,而是给大模型来场“压力测试”,挑战了“LLMs是多问题解决者”的普遍假设,揭示了当前评测方法的局限性,提供了一种更低成本、更贴近真实的评测数据构建新范式,为未来开发更健壮和强大的LRMs提供了更加深刻的见解。

论文地址:https://arxiv.org/abs/2507.10541项目地址:https://opendatalab.github.io/REST代码仓库:https://github.com/opendatalab/REST


“AI“压力面”,DeepSeek性能暴跌近30%” 的相关文章

DeepSeek+即梦生成全景VR PPT,无敌好用

DeepSeek+即梦生成全景VR PPT,无敌好用

大家好,我是鹿一~今天这篇是打工人噩梦ppt的快速生成方法~如果你也被ppt模板折磨着的话请速速码住这篇教程!PPT怎么做都出不来新意?加点“全景”就对了。从DeepSeek提示词到即梦生成的21:9...

DeepSeek为什么不能处理音频、视频、图像信息?

DeepSeek为什么不能处理音频、视频、图像信息?

DeepSeek为什么不能处理音频、视频、图像信息?这其实是一个非常有意思的问题,那就是DeepSeek最出圈的模型其实有两个,一个是DeepSeek-V3,另一个是DeepSeek-R1,巧了,这俩...

理性看待DeepSeek热潮

理性看待DeepSeek热潮

理性看待DeepSeek热潮,企业需先补数字化基础。技术突破只是起点,真正的挑战在于企业自身的数字化成熟度。对于多数中国企业,与其追逐DeepSeek的热度,不如先回答三个问题:我的数据在哪里?我的流...

Kimi 新模型数学反超 DeepSeek!北大校友刘征瀛等领衔

Kimi 新模型数学反超 DeepSeek!北大校友刘征瀛等领衔

Kimi 新模型数学超越 DeepSeek 了!在定理证明这块,即便模型参数 72B 也能超越 DeepSeek-Prover-V2 的 671B 版本,实现 SOTA。这一新模型来自 Numina...

DeepSeek计划上市,为中国AI开发者构建真正可用的大模型底座

DeepSeek计划上市,为中国AI开发者构建真正可用的大模型底座

当大模型席卷全球,无数开发者都在问:我们能不能拥有一个真正可用、稳定、高性价比的模型和算力平台?DeepSeek给出的答案是:YES,而且正在登陆科创板。作为一家“从开发者中走出来、又服务开发者”的A...

Kimi K2里找到了DeepSeek V3架构

Kimi K2里找到了DeepSeek V3架构

Kimi K2里找到了DeepSeek V3架构一水 不圆 发自 凹非寺量子位 | 公众号 QbitAIKimi新模型热度持续高涨ing!不光在更多benchmark上拿下SOTA,体验过的网友们也是...