把AI关进密室会发生什么？血压上来了！

本期我们把AI关进密室，在经过270密室的考验后，我们发现了一些反认知的事情： 1.推理模型反而表现更差：我们特地增加了 DeepSeek-Reasoner（推理增强版）和DeepSeek-Chat（普通版）的对照，发现Reasoner在所有难度上都不如Chat版本 。按常识，推理能力强应该更擅长解题，但结果相反——说明 Agent 场景的瓶颈根本不是单步推理深度，而是在工具交互中动态追踪状态的能力。 2. 模型拿到反馈也用不好 ：密室每次工具调用都会返回明确的成功/失败信息，甚至会告诉模型"哪个参数对了、哪个错了"。视频里 DeepSeek 和豆包的崩溃，很大程度上在于拿到密室的反馈之后，下一步不是"锁定已经正确的参数、继续找错误的那个"，而是把两个参数互换再试一遍——把原本已经对的也搞错了。这说明模型无法利用环境反馈信息进行推理收敛，只是在盲猜。 3. coding 强 ≈ 陌生场景推理强： Claude-Opus-4.6、GPT-5.4 这类 coding 最强的模型，在完全陌生的密室场景里表现也最好——说明 coding 能力和通用推理能力的重叠度，远超其他任务类型。 4.模型"看懂了"但"做不到" MiniMax-M2 在 Diff-20 上，子问题解决率 43%、隐藏节点发现率 56.2%，但端到端成功率只有 5%。模型能分析出依赖关系，能解局部问题，但就是无法把中间结果串联起来——"理解"和"执行"是两回事。