给 AI 一场压力测试，结果性能暴跌近 30%。
来自上海人工智能实验室、清华大学和中国人民大学的研究团队设计了一个全新的“压力测试”框架——REST（Reasoning Evaluation through Simultaneous Testing）。
该框架在一个 prompt 里同时抛给模型多个问题，模拟真实世界中复杂的、多任务并行的推理场景。
结果发现，即便是像 DeepSeek-R1 这样的顶级模型，在“高压”之下的表现也大幅缩水，例如，在 AIME24 测试集上的准确率骤降 29.1%。
论文地址：
https://arxiv.org/abs/2507.10541
项目地址：
https://opendatalab.github.io/REST
代码仓库：
https://github.com/opendatalab/REST
给大模型来一场“压力测试”
如今的大模型在各种推理能力测试中动辄拿下接近满分的成绩。
如果让模型一次做好几道题，它还会那么“神”吗？
团队认为，当前大模型的评测模式普遍存在三大痛点：
区分度低：在许多基准测试中，顶尖模型的得分已趋于饱和，难以分出高下。例如，7B 参数的 DeepSeek-R1-Distill-Qwen-7B 和 671B 参数的 DeepSeek-R1 在 MATH500 上的准确率分别为 93.0% 和 97.0%，看似相差不大，但推理能力仍有显著区别。
成本高昂：由于现有的数学题几乎已经被纳入了大模型的训练数据。为了有效评估，社区不得不持续投入大量人力物力去开发更新、更难的测试题。但设计这样的测试题需要极高水平的人类专家，一年也出不了几个题。例如，AIME24 和 AIME25 都只有 30 道题。
脱离现实：一次只答一道题的模式，无法考察模型在真实世界中处理交叉信息，完成多重任务的综合能力。
为了解决这些问题，团队设计 REST 框架——改造现有基准，如 GSM8K、MATH500、AIME24 等 7 个代表性推理任务，不再逐题测试，而是把多个问题拼接成一个长 prompt，一次性让模型在一次输出中逐一回答。
研究团队基于 GSM8K、MATH500、AIME24 等 7 个主流推理基准，构建了 REST 评测集，并对超过 30 个参数从 1.5B 到 671B 的主流推理模型进行了全面测试。
这种“压力测试”不仅考察模型基础的推理能力，更深入评估了以往被忽视的几项关键能力：
-
上下文预算分配：模型得聪明地决定怎么在多个题目中分配思考 Token。
-
跨问题干扰抵抗：避免一道题的错误“传染”到其他题。
-
动态认知负载管理：在高压下保持高效推理，别在一道题上陷入“过度思考”的陷阱。
SOTA模型也“扛不住”，REST拉开差距
最强模型，在多题高压下也顶不住：LRMs 可以在单个推理过程中处理多个相对简单的问题，但在 REST 下，性能皆下降。比如 DeepSeek-R1，在 AIME24 基准上，单题模式下效果拔群，但“压力测试”下准确率直降 29.1%！其他模型也类似，整体性能大打折扣。
拉开区分度，撕开“伪高分”面纱：传统单题测试中，不同大小模型得分都接近天花板，看不出谁更牛。但 REST 一上，差距立现！如下图所示，7B 参数的小模型在高压下崩得更快！而更大的 32B 参数的模型性能虽有下降但仍保持优势。
不同压力水平下，模型性能拉开明显梯度——这让 REST 成为更强的“分辨器”，帮我们精准比较模型。
“过度思考”成大坑，long2short 技术救场：为什么模型在 REST 下变差？分析显示，关键是陷入了过度思考的陷阱。就像学生考试，在一道难题上思考太久，没时间做后面的题目了。
但用 “long2short” 技术（鼓励模型缩短推理过程）训练的模型，就能更好地保留单题性能，在 REST 下领先！
如 L1Qwen-1.5B-Exact 和 L1-Qwen-1.5B-Max，在高压力水平下表现出显著的性能优势。如表 6 所示，L1-Qwen-1.5B-Max 在 MATH500 上压力水平 s=9 时，准确率比 R1-1.5B 高出 44.71% 的显著差距。7B 模型中也观察到类似的趋势。
动态分配 token，有的模型更“聪明”：REST 下，一些聪明的模型（如 Nemotron-nano-7B 和 DeepSeek-R1）会动态调整推理预算：当压力增大时，它们为第一道题分配更少的推理 token，留力后续。
但低性能模型（如 DeepS-eek-R1-Distill-Qwen-7B）往往在前面的题上用掉太多 token，导致整体崩盘。
这一观察表明，在 REST 中表现优异的 LRM 模型在压力下倾向于对早期问题进行更简洁的推理，从而为后续问题留出足够的空间。团队将这种能力称为“自适应推理努力分配”，认为这是在 REST 下实现稳健性能的关键因素。
此外，REST 还揭示了一些推理不良行为，如问题遗漏和对推理过程总结错误，这些问题在单问题评估中未被发现。
总而言之，REST 不是简单加题，而是给大模型来场“压力测试”，挑战了 “LLMs 是多问题解决者”的普遍假设，揭示了当前评测方法的局限性，提供了一种更低成本、更贴近真实的评测数据构建新范式，为未来开发更健壮和强大的 LRMs 提供了更加深刻的见解。
（文：PaperWeekly）