在人工智能领域，大模型如何提取并调用自身知识一直是研究重点。传统看法认为，推理主要用于解决复杂问题，而像“埃菲尔铁塔建于哪一年”这类简单事实题，模型应当直接“回忆”答案。但谷歌研究院等机构的最新研究对此观点提出了挑战。研究团队测试了多款先进大模型，并采用“混合模型”设置，使模型可在开启与关闭推理模式之间切换。结果显示，即便面对单步事实问题，开启推理模式也能大幅提升回答准确率。例如在SimpleQA-Verified数据集中，能力较弱的模型准确率几乎翻倍，能力更强的模型也有明显提升。继续分析发现，推理之所以能改善知识提取，主要有两点原因：其一，推理为模型提供了更多计算时间，使信息处理更充分；其二，推理过程会触发联想，激活与问题对应的的事实线索，从而更容易得到正确答案。同时，研究也提示了风险：如果推理过程中引入了错误信息，最终答案出错的概率会显著上升。针对这一现象，研究团队提出了优化思路，建议在实际应用中更合理地设计推理流程，以尽量放大收益并降低错误传播的影响。未来，这一发现可能为人工智能系统的知识管理、错误修正和效率优化提供参考。
这项研究表明，看似直接的知识提取并不一定是“从记忆中取出答案”那么简单，适当的推理过程反而可能带来更好的结果；此结论有助于我们更准确地理解大模型在回答问题时的内部机制，也为改进现有系统提供了依据。随着有关研究深入，未来有望构建更智能、更可靠的人工智能系统，使其在知识密集型任务中具备更强表现。同时，这也提醒我们，只有把机制层面的研究与落地应用结合起来，才能更有效地推动技术持续进步。