AI“压力面”，DeepSeek性能暴跌近30% | 上海AI Lab&清华&人大-优快云博客

导言：

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OpenDataLab、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%。

论文链接：https://arxiv.org/abs/2507.10541

项目地址：https://opendatalab.github.io/REST

代码链接：https://github.com/opendatalab/REST

一、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：

1. 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。

2. 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。

3. 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。

二、SOTA模型也“扛不住”，REST拉开差距

1. 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。

比如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。

2. 拉开区分度，撕开“伪高分”面纱：传统单题测试中，不同大小模型得分都接近天花板，看不出谁更牛。但REST一上，差距立现！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。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。

3.“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。如下图所示，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。

4. 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DeepS-eek-R1-Distill-Qwen-7B）往往在前面的题上用掉太多token，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。