当思维的马拉松撞上AI的短跑局限——LongCoT与长程推理的深渊

GPT 5.2只有9.8%的准确率，Gemini 3 Pro只有6.1%。这不是缺陷，这是警钟。

🏃 一次长跑测试的震撼结果

想象一下，你是一个教练，要测试运动员的耐力。你设计了一条50公里的赛道，分成10个5公里的路段。每个路段单独跑都不难——专业运动员都能轻松完成。但要求是一次性跑完，中间不能换人、不能停下来休息、不能忘记前面跑过的路。

你召集了世界上最顶尖的运动员：

• 来自OpenAI训练基地的GPT 5.2——9.8%的完成率
• 来自Google训练营的Gemini 3 Pro——6.1%的完成率
• 还有其他几个顶尖选手——都在10%以下

这就是LongCoT基准测试告诉我们的残酷现实。

费曼会说：“数字不会说谎。9.8%不是个小数字的问题，这是个本质问题。”

🎭 为什么我们从未发现这个问题？

短跑冠军的幻觉

在LongCoT之前，AI推理基准就像短跑比赛：

• MATH数据集：每道题平均几千token
• AIME竞赛题：推理长度通常<5K token
• FrontierMath：限制在10K token以内
• HLE（Humanity’s Last Exam）：平均<5K推理token<