你是否经历过这样的场景：明明知道某个答案就在嘴边，却怎么也想不起来具体内容？心理学上将这种现象称为“舌尖现象”。如今，谷歌最新研究发现，GPT-5和Gemini 3这两款先进的人工智能模型，竟也面临类似的困境。
在谷歌的研究中，这两个模型虽然将95%至98%的测试事实存储在参数中，但当直接询问时，却有26%至34%的内容无法正确回答。即使让模型“多思考一会儿”，仍有11%至12%的事实无法被提取出来。这表明，模型并非没有学习到这些知识，而是无法有效调用。
这项名为《空货架，还是丢钥匙？》的研究被收录于ICML 2026，并于近期由Google Research通过博客详细介绍了成果，同时公开了名为WikiProfile的基准测试和完整数据集。研究指出，模型回答错误的原因可能有两类：一类是知识未被学习，另一类是知识已学习但无法提取。传统方法往往将这些问题归结为准确率不足，而谷歌提出的“知识画像”框架则通过划分五种状态，更细致地分析模型对知识的掌握情况。
这五种状态包括：存入失败、回忆失败、直接回忆、借助思考回忆以及未存入但通过推理答对。研究通过截断维基百科原文并让模型补全，或在相同上下文中直接提问，来判断知识是否被存入。这些测试均不允许模型“多思考”，以区分记忆与推理的结果。
WikiProfile基准测试包含2150条事实，均取自英文维基百科。每条事实配有10道题目，包括2道测试知识存入、4道直接回答和4道选择题，总计21500道题目。题目由Gemini-2.5-Pro生成，并通过Google搜索验证，人工最终审核后剔除了不到2%的题目。测试覆盖了13个模型，每个模型在开启和关闭“思考”功能的情况下各运行一次，每道题目采样八次，共收集约450万条回答。完整测试一个前沿模型的成本约为500美元。
研究结果显示，在前沿模型的事实错误中，“无法提取”已成为主要问题。冷门知识是导致这一现象的首要原因。数据显示，冷门知识的存入率与热门知识相差无几，但回忆率却显著低于热门知识。例如，Gemini-3-Pro的冷门知识存入率为94.5%，热门知识为99.5%，但回忆率分别为63.3%和84.7%。GPT-5的差距更大，冷门知识存入率为90.7%，热门知识为98.4%，但回忆率仅为52.9%和77.8%。这表明，冷门知识虽然被存储，但更难被调用。
另一个典型场景是反向提问。例如，模型可以快速回答“汤姆·克鲁斯的妈妈是谁”，但当被问“这位女士的儿子是谁”时，却常常卡壳。这种现象被称为“反转诅咒”。谷歌通过将问题改为四选一的形式发现，模型可以正确回答选择题，但无法回答开放式问题。这表明，模型存储知识时，语境、措辞和顺序也被一并保留，导致提问方式稍有变化，模型就无法匹配答案。
研究还发现，“多思考”功能显著提升了模型提取已存储知识的能力。对于已存储但无法直接回答的事实，开启“思考”后，模型可以找回40%至65%的内容。相比之下，未存储的事实仅能找回5%至15%。这表明，“思考”并非通过推理得出答案，而是帮助模型更有效地调用已有知识。谷歌的另一篇姊妹论文《思考以回忆》解释了这一机制：思考过程中的中间内容为模型提供了额外的计算缓冲，同时通过激活相关事实，搭建了通往正确答案的语义桥梁。
然而，这种方式也有潜在风险。如果思考过程中涉及的中间事实是错误的，最终答案的错误概率反而会更高。这类似于人类认知中的“扩散激活”现象：当无法直接回忆某个名字时，通过回忆相关线索，名字可能会自然浮现，但如果线索错误，回忆也会偏离正确方向。
研究还指出，扩大模型规模虽然可以增加知识存储量，但无法显著提升知识提取能力。以开源的Gemma 3家族为例，参数从1B增加到27B，编码失败率从85%降至23%，但回忆失败率并未同步下降，反而在剩余错误中的占比持续上升。在前沿模型中，这一现象更为明显：回忆失败占GPT-5.2全部错误的七成以上，且模型越强大，这一比例越高。
这并不意味着扩大规模失去意义，而是表明其效果存在边界。既然知识存储比例已接近95%至98%的天花板，继续增加参数和数据带来的准确率提升将逐渐减小。未来的改进可能更多依赖于后训练和推理方法，即如何更有效地利用已存储的知识。虽然检索增强技术可以部分弥补这一不足，但参数中的知识仍对流畅性、响应速度和跨语境整合至关重要，难以被外部检索完全替代。
那么，何时应该让模型“多思考”呢？研究将这一问题定义为元认知，即模型需要先判断自身状态，意识到“我无法直接回答”，才能决定是否开启“思考”功能。
