北京
谷歌研究院一项新研究给大模型圈提了个醒：前沿模型的知识储备，远比我们以为的要多，但它们的“输出”能力，配不上这份储备。
研究显示，像GPT-5、Gemini-3这类顶尖大模型，其实编码了95%到98%的事实信息。但问题在于，如果不经过特定的推理过程，它们能回忆起来的只有66%到74%——也就是说，有26%到34%的事实明明“记着”，却答不出来。
推理是找回记忆的钥匙
更关键的是，研究发现，通过增加推理时间（inference-time thinking），模型能找回那些“丢失”事实中的40%到65%。这意味着，很多所谓的“知识缺失”，其实是“检索失败”，而不是“没学过”。
这个结论直接动摇了业界对RAG（检索增强生成）的依赖。过去，模型答错问题，第一反应往往是“知识不够，去外部数据库里捞”。但这项研究暗示，模型内部的知识库可能已经足够，缺的是在回答前多“想一步”的机制。
开发者该把钱花在哪
研究建议，开发者与其把RAG当作解决所有知识问题的万能补丁，不如把资源投入到选择性推理和验证管线上——先判断哪些问题需要深度思考，再对答案进行事实核查，这比盲目堆砌外部检索更有效。
对普通用户来说，这个发现也解释了为什么同一个问题换个问法，AI的答案质量会天差地别。下次遇到AI“卡壳”，不妨让它“再想想”，它可能真的能想起来。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
