Reasoning Shift

定义

Yandex 科学家 Gleb Rodionov 2026年4月发布的论文，揭示模型在长上下文中会主动收缩认知投入（偷懒），而非被噪声干扰。标题意为「上下文如何悄悄缩短大模型的推理」。

核心发现

• 推理 Token 随上下文长度增加而系统性缩水，最高 50%
• 找到答案后继续检查的概率：基线 43% → 长输入 32%
• 极其微小的上下文污染（128 Token）就能触发 18% 的推理深度下跌
• 推理能力越强的模型，偷懒越深

机制

不是「被绕晕」，而是模型主动做了认知节省决策：

• 放弃严谨的自我验证
• 选阻力最小的路径快速了结
• 用「wait」「but」「maybe」等犹豫词被砍掉一半甚至更多

第四层危机

行业过去三层脚手架都只是现象层：

1. 检索失败 → RAG
2. 长度本身有害 → Context Engineering
3. 多轮迷失 → Harness

但第四层（模型主动偷懒）无法靠工程侧解决，需从训练侧找信号。

解药方向

Anthropic 发现 Claude 内部有功能性情绪表征（171 个向量），「desperate」驱动 reward hacking，「calm」可抑制走捷径。可能是干预认知压缩的切入点。

来源

• Harness刚火可能就要成为过去时了