Code LLM推理步数砍半，准确率反升12%

“多写几步就能让AI写代码更靠谱？”——实验数据反手打脸：DeepSeek-R1每多写一步，通过率反而掉5.7%。该论文首次把六款明星思维模型拉上考场，人工给3772步推理打分，发现44.5%的链子直接漏掉边界异常，加长思考也救不了。怎样才算“想太多”或“想太少”？答案马上揭晓。

引言

DeepSeek-R1把推理步数翻倍，BigCodeBench通过率却暴跌27%；Gemini-2.0-FT用更多步数将难题成功率抬升79%。这项研究指出，步数与正确率呈负相关，模型性格决定“想得多”是补药还是毒药。作者用3772步人工标注揭示，完整性缺口与过度思考让思维链长度≠代码对。

为什么步数多还翻车

强行把 DeepSeek-R1 的推理链拉长 80%，成功率反而暴跌 27%；Hard 任务中，每多走一步，Spearman 相关系数就掉 −0.579。成功者平均 9.8 步，失败者 14.2 步，那 4.4 步几乎全是绕路或复述。图 5 的增步干预曲线在 80% 处短暂“回光”后直坠谷底，证实冗余链带来系统性过载。相较之下，Gemini-2.0-FT步数与成功呈 +0.79 强相关，能把增量转化为有效探索，而 R1 的负斜率暴露其搜索策略已深陷自我强化的错误分支。作者统计 66 条失败链，超过 60% 的增步在重复“已失败子路径”，词汇冗余度抬升 38%，边界条件与异常处理依旧缺席。

推理链三大内伤

3772步人工标注把六款思维型代码大模型的暗伤摊开：44.5%推理链输在完整性缺口，其中53.9%漏掉缺失值校验，22.3%忽视边界条件；仅7.5%出现因果错位或条件打架，却常整题拖垮；25%效率损失归于冗余，Gemini-2.5-Flash独占30.7%，DeepSeek-R1的自我辩论占66.7%，句句绕圈寸步难行。[IMAGE_0_PLACEHOLDER_DO_NOT_REMOVE]Hard任务中，完整性缺失与失败相关系数-0.219，Full仅-0.096，越难越怕漏边界；冗余与逻辑错误分布与难度脱钩，啰嗦和错乱被证实为模型自带体质，非任务加码所致。

让模型‘省脑子’的实战技巧

在 Hard 基准上，o3-mini 的 medium 档以 35.7 % 通过率登顶，比 high 档快 30 % 且更准，为工程侧定下“默认 medium，超时再降”的锚点。随后把自检模板塞进 guided 模式，逻辑一致性飙到 1.000，26 个失败任务救回 2 个；unguided 零额外信息也能把 completeness 从 0.95 抬到 0.98，代价仅一次模型调用。该论文建议上线先跑 unguided 轻量过滤，审计敏感场景切 guided，两档组合拳让模型在毫秒级延迟内完成“锁档+自检”的省脑子闭环。

结语

3772步人工标注的实验结果摆出一个事实：“需求覆盖”对代码成败的决定力远高于步数堆砌。该论文据此为思维链评估立下新标尺，并提醒业界：当前验证仍局限于Python与BigCodeBench，百万行工业级代码、实时性能与多语言场景尚待检验。作者下一步计划把**“先想需求再写代码”封装成可插拔模块，预期让边缘案例召回率提升20%以上；跨项目迁移与工业级部署将成为主战场。当AI助手普及，开发者或许只需定义需求**，模型便能自主规划最短推理路径。

论文地址：https://arxiv.org/abs/2511.05874