问题——为何同为语言模型，推理表现差异显著 近年来，语言模型数学推演、规划决策、工具调用等任务上的能力提升明显，但不同模型、不同训练阶段之间的差异依然突出：有的能给出连贯且可验证的推理链条，有的却在相似问题上给出“似是而非”的答案。推理能力从何而来、在训练的哪个阶段形成、又该如何可靠识别，长期以来都是学界和产业界共同面临的难题。上述研究尝试从复杂系统与统计物理的视角建立解释框架，为“推理能力的涌现”提供可观测、可量化的分析路径。 原因——推理或发生在“临界态”附近：稳定与可塑性的平衡点 研究团队引入“自组织临界”概念来解释模型能力的跃迁。该概念常用于描述复杂系统在外部驱动下自动逼近临界点的过程：系统在临界附近会呈现长程关联，对局部扰动更敏感，但整体结构仍能保持稳定。研究认为，当语言模型训练进入某个关键区间时，其内部表征可能形成类似“长程关联”的结构，使局部输入变化能够被全局整合，从而支持更一致、可泛化的推理输出。 研究以PLDR-LLM为主要实验对象。与常见模型相比，PLDR-LLM在设计中强化了内部状态监测与诊断能力，使研究者能够追踪模型内部动态是否进入“稳定且接近临界”的工作区间。研究结论指出：当训练参数偏离该区间时，模型往往呈现两种倾向——一是过度刚性，输出更模式化、缺少灵活组合；二是过度混沌，生成内容漂移明显、难以保持逻辑一致。只有在临界附近，模型才可能同时维持全局稳定，并根据任务需求做结构化调整，从而更容易表现出可复现的推理能力。 影响——提出“秩序参数”量化指标，或为模型评估带来新工具 研究的另一项贡献，是提出用于刻画推理状态的“秩序参数”。传统评估多依赖题库测评与任务成绩，但这类方法容易受数据分布、提示方式、评分口径等因素影响，也难以直接反映模型内部是否处于“可推理”的工作机制。研究者提出，通过重复输入同一任务、观察模型内部状态的一致性来构建指标：如果模型具有较稳定的推理机制，多次运行后的内部状态应高度一致，对应秩序参数接近零；如果模型只是表面上“能说会道”，内部状态波动更大，则该参数会偏离零。 从应用角度看，此思路有望补足“只看输出”的评估短板，为研发提供过程性信号：不仅判断“答得对不对”，也判断“是否处于可稳定推理机制区间”。若后续研究验证其普适性，秩序参数或可用于训练监控、模型体检、质量回归测试等环节，减少对题库的单一依赖，降低由此带来的偏差与成本。 对策——从“追分数”转向“控状态”，改进训练监控与风险治理 研究还提到训练过程中可能出现异常剧烈的波动现象（团队称为“龙王事件”），表现为模型能力或内部指标在短时间内突变。这提示：在接近临界态的训练区间，系统可能更加敏感，既可能带来能力跃升，也可能引入不稳定与不可预测的输出。 据此，业内在训练与部署上可考虑三上改进： 一是强化过程监控。除常规损失函数与基准测试外，引入反映内部一致性与稳定性的指标体系，及时识别训练是否进入高敏感区间。 二是完善稳健性策略。在训练调参、学习率调度、数据配比等环节设置“缓冲带”，降低跨越临界区间时的剧烈振荡，减少不可控风险。 三是加强可解释与可审计能力建设。若能持续记录关键训练阶段的内部状态特征，将有助于复盘能力变化原因，也有利于安全评估与合规审查。 前景——跨学科解释框架或推动下一代模型训练方法演进 从更宏观的视角看，该研究将物理学中的临界现象与语言模型能力联系起来，表明了复杂系统方法在智能研究中的潜在价值：不仅关注规模与数据，也关注系统如何在关键状态下形成全局关联结构。这可能推动两类变化：其一，训练目标从单纯优化外部成绩，转向同时关注“可稳定推理的内部状态”；其二，模型评估从静态题库走向“机制指标+任务表现”的组合评估。 同时也应看到，有关结论仍需在更多模型架构、不同数据与任务环境中继续验证，并澄清“临界态”与具体推理能力（如多步演绎、因果归因、规划搜索等）之间的对应关系。若能形成可复现、可推广的方法体系，将为提升模型可靠性、可控性与工程可用性提供新的抓手。
从“看结果”到“看机理”，是大型模型走向可解释、可验证、可工程化的重要一步。将推理能力与自组织临界状态联系起来的探索，为理解复杂系统如何涌现高层能力提供了新视角，也提示人们：能力提升不仅取决于规模，更取决于训练过程中是否形成稳定而高效的内部组织。面向未来，能否把这种“临界体征”转化为可操作的训练规范与质量标准，将成为检验对应的研究价值的关键。