标题：LLM总是把简单任务复杂化，Karpathy无语：有些任务无需那么多思考

随着推理大模型和思维链的普及，AI在复杂任务中的表现大幅提升，但也逐渐暴露出一个问题：它常常把简单任务复杂化。AI领域专家Andrej Karpathy对此现象表示无奈，指出当前大模型在默认状态下过于“自主代理化”，甚至超出了用户的实际需求。

Karpathy举例称，在编码任务中，模型常会进行冗长的推理，过度分析边缘情况，甚至在网络搜索和代码库扫描上浪费时间。例如，检查脚本中的低级错误本应快速完成，但模型却倾向于深度思考，导致效率低下。他不得不频繁打断模型，并明确指令：“停，你想得太多了。”

类似问题也出现在其他场景中。比如，当用户要求GPT-5对图片进行简单编辑时，模型却花了38秒“深度思考”，仍未开始实际操作。这种“过度思考”让用户感到困扰，甚至怀念早期版本如GPT-4o的高效表现。

Karpathy认为，问题的根源在于大模型为追求基准测试高分而偏向复杂任务优化，忽略了简单任务的需求。他用两个情境说明了这一点：一是快速确认文件是否正确，二是花两小时仔细分析同一问题。人类能轻松区分这两种场景，但大模型往往假设用户需要后者。

网友纷纷表示感同身受，认为大模型的发展不应一味追求基准测试分数，而是需要更灵活的任务处理方式，让用户能精确指定任务的紧迫程度和所需深度。对于这一问题，你有什么看法？欢迎分享。