在进入本文之前，我们先来玩个 10 秒小游戏：
- 在心里选一个「1-10」的整数。
- 现在设想我问：「你想的是 5 吗？」
- 如果听到是自己的数字，你会本能地答 Yes，其余统统 No。
这件小事背后其实考验的是你大脑的工作记忆 —— 保持一个念头、随时对比外部问题并作出一致回应。
图 1: 当 ChatGPT 告诉我们他心中已经想好一个数字，并回答该数字不是 4。我们要如何判断 ChatGPT 是否在说谎？
同样的小游戏，大模型会如何反应呢？它们是否真的能做到像人类一样，不输出但在心中想好一个数字？我们又如何检验？
最近，来自约翰・霍普金斯大学与中国人民大学的团队设计了三套实验，专门把关键线索藏在上下文之外，逼模型「凭记忆」作答，从而检验它们是否真的在脑海里保留了信息。
- 论文标题：LLMs Do Not Have Human-Like Working Memory
- 论文链接：https://arxiv.org/abs/2505.10571
- 作者：Jen-Tse Huang（黃任澤）、Kaiser Sun、Wenxuan Wang、Mark Dredze
一、什么是工作记忆？如何测量人类的工作记忆？传统评估为什么不够？
在人类大脑里，工作记忆（Working Memory）负责把刚获得的信息保留几秒到几十秒，并在此基础上进行推理、计算、对话等复杂操作。没有它，人会前后矛盾、无法心算，也难以进行连贯交流。
而大模型常被比作「会说话的大脑」。如果它们缺少这一能力，离真正的「通用人工智能」就还差关键一块拼图。
以往工作常常使用 N-Back Task 来评估大模型的工作记忆。受试者看到（或听到）一串字母 / 数字，并需持续回答「当前字母 / 数字是否与 N 步之前相同？」 难度随 N 增大而增加，被广泛用作神经影像和认知心理实验的标准工具。
但是直接拿来直接测 LLM 并不合适。人类测试时仅能看到当前的字母 / 数字，而 LLM 输入窗口内本身就包含全部历史 token，「回看 N 步」并非真正的内部记忆调用，而是简单的文本匹配。
图 2: 为人类设计的评估工作记忆的常用泛式：N-Back Task。受试者看（听）到一连串字母 / 数字序列，并持续回答「当前字母 / 数字是否与 N 步之前相同？」
二、三大实验逐个拆解 LLM 的「记忆漏洞」
实验 1: 数字猜谜（Number Guessing Game）
任务流程：大模型先在心里想好一个数字，用户重复提问「你想的是 X（1-10）吗？」重复 2000 次。统计每个数字大模型回答「是」的频率。
评测要点：1-10 上回答「是」的概率和必须为 1，即 10 个数字总得有一个 Yes。
图 3: 17 个模型对每个数字回答「是」的分布情况。
团队统计了来自 5 个模型家族的 17 个模型，发现大部分模型在所有情况下居然都会回答「否」（即在图中全为 0）！团队又进一步统计了每个模型的概率加总：
图 4: 17 个模型对每个数字回答「是」的概率加总。
结果发现仅有 GPT-4o-2024-08-06 以及 LLaMA-3.1-8B 版本做到了能在概率加总上接近 1。而其他模型，不管来自哪个模型家族，不管是不是推理模型，都全军覆没，模型根本没有在「脑内」存数字！
图 5: GPT-4o-2024-08-06 模型对其他数字范围回答「是」的分布情况。
彩蛋：在所有测试里，LLM 都对数字 7（甚至 17，37）情有独钟 —— 看来「人类幸运数字」迷信也传染给了模型！
实验 2: 是‑非问答（Yes‑No Game）
任务流程：在心里选好一个具体物体（如「铅笔」），然后仅用 Yes/No 回答一连串比较：是否比 X 重？比 Y 长？比 Z 大？
人类会如何做？每次遇到新的问题的时候，把内心想的物体与问题里的物体做比较，轻轻松松作答。若没有工作记忆呢？如果做不到在心中想好具体的物体，在每次遇到新问题时，只能回去检查之前的所有问题与答案，推理要如何回答新问题才能避免跟之前自相矛盾。
团队持续问大模型 250 次问题，并统计了最终大模型止步于第几个问题的直方图：
图 6: GPT-4o-2024-08-06 以及 GPT-4o-Mini-2024-07-18 模型在自相矛盾前回答问题数量的频率直方图。
结果发现问到 20‑40 题时，GPT‑4 级别模型开始露馅：「比汽车大」同时又「比足球小」之类的尺寸悖论横飞。长上下文（Long-Context）推理能力更强的 GPT-4o 在通过的次数以及平均回答问题数上均超过更弱的 GPT-4o-Mini，但总计 200 次测试中也仅仅有 27 次成功通过。这说明大模型仅通过其长上下文能力在完成任务，而非一个一致的工作记忆。
实验 3: 数学魔术（Math Magic）
任务流程：心中记住 4 个随机数（如 3‑5‑2‑9），然后依次执行 10 步心算：复制、置底、插入、删除、…… 最终理论上剩下 2 个相同的数。
团队沿用实验 1 中的 17 个模型，统计它们最后 2 个数字相同的概率：
图 7: 17 个模型在数学魔术中的准确率，下图为使用 CoT 的模型以及推理模型（LRM）。
结果发现主流模型正确率普遍非常低。研究者尝试加 CoT 也没用。 DeepSeek‑R1 以 39% 勉强排名第一，但仍有巨大提升空间。值得注意的是模型表现与实验 1 一致 ——LLaMA-3.1-8B 效果超群。
三、小结
论文共测试 GPT、o1/3/4、LLaMA、Qwen、DeepSeek 等 17 个热门模型，无一通过三项考验：
- LLaMA‑3.1‑8B 在数字猜谜最接近「人类」—— 概率和 0.98，在数学魔术上不用 CoT 也能超越 o1。
- DeepSeek‑R1 在数学魔术拿到 39.3% 正确率的最高分，但仍远不到及格线。
- 体量更大、推理链更长≠更好工作记忆；有的升级版甚至退步。
一句话：尚无开源或闭源 LLM 通过「三关」。这意味着什么？
- 对话更真实？未来要让 AI 像人一样「边想边聊」，就得补上真正的工作记忆机制，而不仅是无限上下文窗口。
- 长链推理？现有 CoT 更多是把「草稿」写进提示里，并非模型在脑中运算。
- 新研究方向！或借鉴认知科学，引入可读写的「内存格」；或通过 RL、神经模块化等方法，让模型学会在体内保留并操纵隐变量。
