Grok 3的“思维链”机制在简单题上翻车，核心缘由是它将为复杂推理设计的逐步拆解流程错误地应用于只需直接应用基础规则的问题上，导致了“过度推理”。尽管在AIME数学竞赛中准确率高达95.8%，但在“9.11和9.9哪个大”这类基础问题上却频频出错。

思维链的“杀鸡用牛刀”效应

思维链机制模拟人类解决复杂问题的过程，将问题拆解为多个子步骤进行逻辑推导。这对于需要多步推理的任务（如数学竞赛或编程）超级有效，但面对简单比较题，人类一般依靠直觉瞬间判断。

Grok 3却可能启动完整的推理链，例如错误地将小数部分当作整数比较（“11>9”），而忽略了“对齐位数、逐位比较”的基础规则。这种过度推理就像让一位数学家去证明1+1等于几，反而在复杂的推导中引入错误。

更关键的是，思维链本意是提供可解释性，但当模型对基础规则不熟时，显式展示的推理过程反而暴露了漏洞。

训练数据的“复杂偏向”漏洞

Grok 3的训练重点可能放在了提升复杂任务表现上，例如在AIME测试中达到95.8%的准确率。但像小数比较这类基础常识，在训练语料中可能覆盖不足或存在标注偏差。模型没有真正理解数字比较的底层规则，而是依赖模式匹配来“猜测”答案。

当遇到特殊格式如“9.11”时，就容易出错，由于它可能将小数位数多误判为数值更大。这暴露了一个普遍问题：大模型在追求高阶能力时，可能忽视了基础认知的稳健性。

专家架构的“调度失灵”

Grok 3采用混合专家（MoE）架构，通过门控网络动态选择专家模块处理不同任务。对于简单问题，门控网络可能误激活了擅长复杂数学的专家，而非基础算术专家。这就像问一个简单问题时，却请来了解决微积分的专家，导致处理逻辑错配。

MoE架构的设计本是让模型“用一部分大脑”高效推理，但在简单任务上，这种专业化分工反而可能失灵，由于系统没有为最基础的常识分配足够的专家资源。

因此，Grok 3的翻车并非思维链无用，而是其设计初衷与简单任务需求不匹配的体现。