绵阳市网站建设_网站建设公司_博客网站_seo优化

简介

这篇论文系统分析了LLM的六大根本局限性：模型幻觉、上下文局限、推理能力问题、查询脆弱性、多模态挑战和Benchmark局限。文章通过形式化证明揭示了这些局限为何不可避免，如幻觉源于计算理论限制，上下文受位置编码饱和影响，推理能力受目标错配制约，多模态融合存在信息瓶颈等。理解这些局限性对开发更可靠的大模型应用至关重要。

大语言模型发展到今天，人们已经发现了它的很多局限性。研究者们试图通过改进模型来消除它们，模型使用者们也设计了很多机制来规避这些局限性的影响。今天一起来读一篇综述论文，系统地了解一下LLM的局限性到底有哪些：

《On the Fundamental Limits of LLMs at Scale》 https://arxiv.org/abs/2511.12869

全文分为六个章节：

• • 模型幻觉
• • 上下文的局限
• • 推理能力的问题
• • 查询的脆弱性
• • 多模态问题
• • Benchmark的局限

这篇文章的贡献在于，不但系统性地阐述了这些局限，而且用形式化的表达（数学公式）来精确地证明了一些局限性为什么不可避免。以下分章节总结这篇论文的要点。关于各个局限性的形式化论证，请参考原论文。

幻觉

首先在数学上，模型幻觉是不可能根除的。从可计算性理论来说，总是可以构造一个数据分布，让模型无法精确拟合这个分布，在一些数据点上出现幻觉；另外，总有一些无法计算的问题，比如图灵停机问题，模型在其上必出现幻觉。从信息论的角度来说，模型的容量（参数量）是有限的，必然无法在无限的问题空间中做到准确预测。

其次，训练数据本身也会必然带来各种幻觉问题。比如，数据的不完整性、时效性让模型无法存储未知数据；数据中存在噪音、虚假信息，模型无法判断真伪；数据的分布不均（skewed），让长尾部分的数据不能被模型有效记忆；数据的内部冲突，让模型的输出对prompt极其敏感，prompt的细微差异可能产生完全相反的答案；训练数据中benchmark的污染，让我们无法精确评估模型的能力。

模型的训练/评估方法鼓励模型编造答案，而不是承认无知（“我不知道”总是不得分，而编造答案总有一定猜中的几率）。RLHF也有Reward Hacking的问题，模型总是倾向于输出看起来流畅有条理、容易得到人类认可的文字，这可能会牺牲逻辑性、准确度。这里可以参见另一篇文章的讨论：LLM幻觉 - 怎样让LLM更加Truth-Seeking？

创造性（creativity）和准确度（factuality）不可调和的矛盾，或者说是Exploration和Exploitation二者的矛盾。要让模型的输出有一定的创造性（比如调节temperature等参数），输出的分布更广，准确性就必然会下降，而在某些领域，比如文学创作，幻觉本身就是创造性的一种体现；反之，限制输出的确定性，也必然导致创造力的降低。我们必须根据应用的领域做灵活调节。

上下文

尽管LLM的名义上下文（Context Window）在不断增长，能被模型有效使用的上下文长度却非常有限。关于这个问题有一个系统性的研究：Context Rot。模型无法有效使用整个Context，有几方面的原因：

训练数据在Context中存在左偏（Left skewed）。大部分训练数据都较短，集中在Context左侧，致使位于右侧的参数空间无法得到充分的训练。实际使用中，有效的Context长度远小于最大Context，往往不到最长训练数据的50%。

位置编码在长序列的情况下存在饱和（saturation）的问题。无论是Sin编码还是RoPE编码，距离过远的位置编码几乎都接近正交，严重丧失区分度。这使得模型难于处理距离较远token的关联性。最近的研究通过NTK-aware和Scaled RoPE来化解这个问题。

第三方面是注意力机制本身的问题。当token序列过长时，注意力呈现Overload现象（类似人类的注意力涣散）。

Softmax的机制中，大量的token会占据注意力的主体，一个token要获得足够的注意力，它的分数就必须比其他的token大Log(N)倍。N越大，就越难以达到这种非常显著的分数差距，或者说，难以获得高对比度的注意力分布。

另外，注意力机制中的平方级的运算，在长token序列的情况下，也给浮点数精度带来考验，错误积累和梯度消失的问题都会更加明显。

推理能力

时至今日，对于LLM是否真能胜任推理工作，仍然没有定论。比如这篇论文（苹果论文：LLM所谓的推理就是个幻觉[1]）就曾引发很多争议。基于likelyhood的训练机制，使得LLM本质上就是一个“填空机器”，这和基于因果关系、固定规则的推理机制本质是不同的。

所以LLM只能捕捉到语言表面的相关性，对于复杂的、深层的推理问题往往表现不佳（汉诺塔[2]、象棋[3]）。LLM在推理上的局限性有三个成因：

目标错配（mismatch）。我们训练的目标是最终结果的正确性，中间推理步骤不重要，甚至是可有可无的。这种激励机制会让模型编造看似合理、连贯的推理过程，应该改进一种按步骤反馈（step-aware）的机制，让推理步骤都能接收到奖惩信号。

模型往往会把错误的相关性数据（correlation）引入推理过程，而不是按照因果关系去推理。

模型往往会陷入贪婪（或者说短视）的搜索策略，不会回溯。虽然推理中也会出现自我纠正的现象（Wait…），但是这种现象的成因到底是对人类推理过程的模仿，还是来自对问题本身的理解？在引导推理方面，已经有了一些成功的尝试，比如长/短推理。

作者认为这种推理能力上的局限性是根植于LLM模型结构和训练模式的，只有用新的范式才能根除，他也提到了HRM等新型架构。

文章列举了几种提高模型推理能力的实用手段：

• • PAL - Program-Aided Language Models，用程序辅助大模型进行符号化的推理，比如用python脚本去解决汉诺塔问题。
• • CoVe - Chain-of-Verification，用单步验证、自我修正的方式提高推理步骤的可靠性。
• • Neuro-Symbolic Integration，把神经网络（LLM）和符号推理机制结合起来。
• • 多模态推理 - 引入其他模态的Grounding，扩大推理证据的范围。

RAG

RAG系统已经是AI应用的一种主流模式。RAG系统的效果依赖两方面的因素，一是搜索的质量，即能不能找到相关的数据），二是LLM能不能充分利用Context中的引用数据。

Relevance–Coverage Dilemma。Context的空间是有限的，所以必须选择和问题相关的资料。如果引用资料很多，coverage有一定保障，但是可能包含很多无关数据；如果注重relevance，谨慎选择数据，可能会损失coverage，所以要有所取舍。

放入Context数据的排序也很重要。Context比较长的时候，会出现lost-in-the-middle的问题，只有开始和结束部分的token会获得比较高的注意力权重。所以，数据的不同排序会导致LLM得出不同的结果。

记忆污染问题。索引资料库中可能存在污染数据，它们和Query强相关，从而把其他相关数据排除在外。实验证明，只要5个“有毒”文档，就能导致RAG程序的表现下降90%。

LLM对于Context中的数据和问题是否相关没有很强的判别能力，无关数据可能构成distractor，影响LLM在问题上的表现：一篇无关文档就能让Performance下降30%。

在模型的世界知识和引用数据出现冲突时，还有一个“该信谁”的问题。要让模型把所有结论基于引用数据，需要额外的训练、引导。

多模态

多模态模型的一个主要问题就是文本模态的绝对主导地位，视觉模态的数据被强制转换到文本的空间中。文本数据在注意力结构中也存在压倒性的优势，论文提到一个例子：文本token的注意力是Vision token的157倍。

把多种模态融合在一个Latent空间中，等于人为创造了一个信息瓶颈，一个有损的信道。为了融合text和vision两种不同token，一般对Vision token进行分片（patchify），这种机制破坏了视觉数据的连续性。

不同模态数据之间会产生错误的相关性，导致跨模态的幻觉、跨模态的数据污染。

不同模态之间的参数存在不同的学习速率，导致训练时难以对齐。和单文本模型不同，增大模型的大小并不能解决问题，因为不同模态的Scaling Law也有不同的特点（Divergent Scaling Laws）。

Benchmarks

Benchmark的首要问题当然是数据污染。不管是有意还是无意，Benchmark都已经进入各个模型的训练数据集。

对于LLM-as-judge的评估方式，也存在一些天然的缺陷：self-bias（对自身模型的偏向），Position bias（对不同位置数据的偏向），Verbosity bias（对较长内容的偏向）。

Benchmark常常忽略compute efficiency的比较：往往模型的算力消耗（FLOPs）越多，时间越长，效果越好，但是很多benchmark只比较最终结果，没有把计算效率纳入考虑。

测试结果的稳定性不高，采用不同的种子，不同的prompt的格式会得到不同的结果，模型的版本升级也会影响模型评估的准确性。

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓