Colin Frasier在Bluesky上发了一张图，是他两年前用GPT-4o做的一个实验：让模型算加法，但答案必须用英文单词写出来，数字越加越大。他当时觉得GPT-4o没作弊去调计算器，因为错得太多了。

有人被这个实验勾起了兴趣，决定在本地硬件上重跑一遍。用的是一台DGX Spark，模型换成了Qwen3.8-27B-Q4_K_M.gguf，通过Codex Remote会话（GPT-6 Astra）把Frasier那张图粘进去，让模型照着做同样的测试。

打开网易新闻 查看精彩图片

先关掉推理，再打开推理

第一轮测试，推理功能是关闭的。每个数字组合跑30次，结果做成了一张热力图。第二轮，推理功能打开。这次每个组合只跑一次，因为每对数字的耗时明显变长。只跑一次意味着每个格子要么全对要么全错，热力图看起来远不如第一轮好看。

结果呢？169次尝试里，它答对了167次。

因为这是一次性测试，没有重复采样，所以这个数字本身有波动空间——再跑一遍，结果大概率会不一样。但167/169这个比例，已经足够说明推理开关带来的差异有多大。

推理打开时，模型在算什么

报告里附上了一些大数计算的推理轨迹。有一段是这样的：模型先写下两个数字，4,299,366,105,622和6,088,794,067,970，然后说“等等，让我更仔细地重做一遍”。

接着它把两个数逐位对齐，从右往左加：个位2+0=2，十位2+7=9，百位6+9=15，写5进1……一位一位往下推。

这就是推理打开后模型在做的事——它没有直接吐答案，而是把竖式加法拆成一步步的文本，像小学生在草稿纸上列竖式一样。关掉推理，这个过程就没了，模型只能靠“直觉”报数，大数加法自然错得离谱。

这个实验真正测的是什么

表面上看，这是在测模型会不会做加法。但加法本身对模型来说不是难点，难点在于“用英文单词输出答案”这个约束。模型得先算出数字结果，再把每一位数字转成对应的英文单词拼出来，中间任何一步出错，最终答案就是错的。

Frasier当初用GPT-4o做这个实验时，特意强调模型没作弊——它错得太多，不可能是偷偷调了计算器。这个判断逻辑本身就很有意思：错误率成了“没作弊”的证据。

而这次在本地硬件上重跑，变量控制得更干净。同一台机器，同一个模型文件，唯一的区别就是推理开或关。167/169和第一轮那张热力图之间的差距，把推理功能的价值直接摆在了台面上。

它只记录了一次在DGX Spark上的本地实验，以及一个关掉推理就崩、打开推理就稳的27B模型。