unlazy的研究基石：模型偷懒、过度思考与提前完成——7篇2025-2026论文与基准解读

unlazy的研究基石：模型偷懒、过度思考与提前完成——7篇2025-2026论文与基准解读

【免费下载链接】unlazyAnti-laziness skill for AI agents. Core: the Depth Tree method, which splits a task N layers deep and gives every leaf the full time budget of the whole task, so effort multiplies with depth. Grounded in 2025-2026 research on model laziness, underthinking and premature completion.项目地址: https://gitcode.com/gh_mirrors/unl/unlazy

AI 智能体（AI agent）在长任务中"偷懒"、过度思考、提前宣告完成，是 2025-2026 年大模型研究反复验证的真实问题。unlazy 是一款专为 AI 智能体设计的"反偷懒"技能（skill），它用 Depth Tree（深度树）分解任务、用可运行验收门禁（gates）证明"真的做完了"，背后正是对 7 篇 2025-2026 年论文与基准的系统解读。本文带你一次看懂 unlazy 的研究基石，以及这些结论如何落到具体设计里。

为什么 AI 需要"被监督"？三大失败模式 🔍

如果你用 AI 智能体做过大型重构或全量审计，大概见过这三种场景：

unlazy 的立场在 README.md 的 "Research basis" 一节写得很清楚：研究支持的是"失败模式"，而不是"用了 unlazy 就一定提升多少"。这种克制，恰恰是它可信的原因。

7 篇论文与基准逐一解读 📚

以下按时间顺序梳理 README.md 中 "Sources, newest first" 引用的核心来源（外部原文请点击项目 README 中的来源列表查阅）。

1️⃣ Quantifying Laziness（2025 年 12 月）：偷懒可以被量化

这篇研究首次把"懒"变成可测量的指标：即使给出详细的、多部分的提示词，被测模型仍出现部分服从和过早截断。也就是说，任务写得越细，"只做了一部分还觉得完成了"的风险越隐蔽。这正是 unlazy 要求"先写验收清单再动手"的直接依据——把每个可独立省略的结果变成一条可检查的门禁。

2️⃣ Thoughts Are All Over the Place（2025 年 2 月）：o1 类模型也会"少想"

很多人以为推理模型只会"想太多"。这篇研究证明恰恰相反：o1 风格的 LLM 在探索任务上会过早停止，思考预算的分配并不稳定。它提醒我们：既需要防"想不够"，也需要防"想过头"，两者是同一枚硬币的两面。

3️⃣ s1: Simple Test-Time Scaling（2025 年 3 月）：一个"Wait"的预算强制

s1 提出了著名的预算强制（budget forcing）技巧：当模型试图停下时，反复追加Wait让它继续推理，从而加长思考。注意论文边界：这不是主张"一个 token 就能改善工作"，而是证明思考长度可以被外部机制约束。unlazy 的启发在于——约束应该来自流程，而不是祈祷模型"自觉多想想"。

4️⃣ OptimalThinkingBench（2025 年 10 月）：同时量测过度与不足

这个基准把"思考太多"和"思考太少"放进同一个评价框架，证明思考量与任务难度、模型能力之间不存在一刀切的最优值。对工程实践的启示：思考强度应该按"杠杆点"分配——unlazy 在 references/token-economy.md 里把这写成了规则：强推理留给设计、集成、验证，机械性叶子用低成本的执行。

5️⃣ When More Thinking Hurts（2026 年 4 月）：过度思考的陷阱

研究证实，在测试时计算扩展（test-time compute scaling）中，更多的思考可能适得其反。盲目堆推理预算不仅贵，还会把模型带偏。这解释了 unlazy 为什么把"验证"从模型推理中搬出去：用命令、脚本、退出码做确定性检查，比让模型反复自我说服更便宜也更诚实。

6️⃣ SlopCodeBench（2026 年 5 月）：没有智能体能从头到尾解完问题

这是最扎心的一条基准结论：被测的没有任何一个智能体能端到端完整解决问题，表现最好的智能体也只通过了14.8%的检查点。而且论文特别强调：检查点通过 ≠ 任务完成。unlazy 的完成层级（叶子→分支→根）正是把"局部完成"和"集成完成"严格分开：references/orchestration.md 要求自底向上逐层再验证，任何一层缺口都不算完成。

7️⃣ METR Time Horizon 1.1（2026 年 1 月）：任务长度天花板仍在

METR 的 Time Horizon 1.1 报告：智能体能可靠完成的"任务时长"P50 翻倍时间，全区间拟合为 196.5 天，2023 年后的拟合为 130.8 天。文档特意提醒：短的那个数字不能被描述为全区间估计。对使用者的含义很直白——单个上下文里的注意力总会耗尽，所以才需要 references/method.md 中的 Depth Tree：把大任务切到"每个叶子都是完整可交付物"的粒度，而不是假装一个会话能装下一切。

💡 附加阅读：COLM 2026 论文 "Test-Time Scaling in Reasoning Models Is Not Effective for Knowledge-Intensive Tasks Yet" 还发现，闭卷知识密集任务在增加测试时计算后幻觉反而更多——再验证一次"多算不等于多对"。

从论文到设计：unlazy 的三个核心机制 ⚙️

研究给出的是"病症"，unlazy 给出的是"处方"，两者对应关系非常清晰：

核心流程一句话概括：先写门禁 → 审查并批准检查命令 → 执行并留证据 → 回报前重新测量所有数字。完整指令见 SKILL.md。

对研究证据保持诚实：unlazy 不做什么 🧾

这一点值得单独强调。早期 README 曾引用维护者跑过的"6 次对比实验"的输出 token 比例等数字，但仓库不包含复现这些数字所需的原始提示词、转录和日志。因此在 research/validation-protocol.md 中，这些数字被明确降级为"设计历史"，并给出了一套可复现重跑的最小协议：预注册条件、隔离每次运行、操作化定义指标、双盲评审、发布计算脚本、限定结论范围。

换句话说：unlazy 用别人的基准证明问题真实存在，却拒绝用不可复现的数据吹嘘自己的效果。这种"负面结果也如实记录"的态度，是判断一个开源项目是否值得长期依赖的重要信号。

快速上手：3 分钟体验 unlazy 🚀

1. 把仓库克隆到技能目录（Claude Code 为~/.claude/skills/unlazy，Codex CLI 为~/.codex/skills/unlazy），或使用 skills CLI：npx skills add Leonxlnx/unlazy
2. 用一个显式触发词发起任务，例如：/unlazy tree 5 refactor the payment module and verify every migration path
3. 智能体会先基于 templates/gates-leaf.md 生成GATES.md，再用node scripts/gate-check.mjs --status GATES.md让你在不执行任何命令的情况下先审查所有检查
4. 满意后显式批准并运行，完成报告只包含有证据支持的结论

小结

• 模型偷懒真实存在：Quantifying Laziness 证明详细提示词仍会被部分服从
• 思考要花在刀刃上：OptimalThinkingBench 与 When More Thinking Hurts 共同说明思考强度需按任务分配
• 完成必须可验证：SlopCodeBench 显示检查点通过 ≠ 任务完成，unlazy 用分层再验证补齐这一环
• 证据要可复现：research/validation-protocol.md 展示了如何诚实地对待自己的实验数据

如果你受够了"AI 说做完了，其实没做完"，这 7 篇论文解释了为什么会这样，而 unlazy 给出了一个可落地的答案。

【免费下载链接】unlazyAnti-laziness skill for AI agents. Core: the Depth Tree method, which splits a task N layers deep and gives every leaf the full time budget of the whole task, so effort multiplies with depth. Grounded in 2025-2026 research on model laziness, underthinking and premature completion.项目地址: https://gitcode.com/gh_mirrors/unl/unlazy