可视化工具把AI思考过程变成树状图
这次实验的玩法特别简单粗暴。找八个主流模型，包括GLM 5.2、DeepSeek V4 Pro、Gemma这些市面上能叫得上名字的选手，给它们扔同一道陷阱重重的概率题。重点不是看谁答对，而是看它们怎么答对。
作者设计了一套流水线。先让模型跑一遍推理，把输出结果全部存下来。然后拿GPT去分析这些文本，自动抓取那些表示自我修正的关键词，比如“但是”、“等等”、“实际上”。把这些关键词整理成一个列表，再重新跑一遍推理过程，这次遇到关键词就在网页上画一根新树杈。
每个树杈就代表模型的一次自我怀疑。树杈从头开始分叉，不是从上一个正确想法那里分，而是直接在最顶上长出新枝。这说明模型在思考过程中随时可能推翻自己，而且每次推翻都是重新审视整个问题，不是只改最后一步。
GLM 5.2的果断和DeepSeek的纠结形成鲜明对比
结果出来以后，差异大到肉眼可见。GLM 5.2的树状图只长了两根树杈，简直是光秃秃的。这意味着它在思考过程中只经历了两次自我修正，然后就自信满满地给出了答案。回复里有人说GLM 5.2就像那种考试时凭第一感觉写答案还全对的学霸。
DeepSeek V4 Pro那边就完全是另一番景象。它的树状图密密麻麻，树枝多得像个迷你森林。每个“但是”都长出一根新枝，每个“等等”又分出一个叉。整个思考过程就像一个人站在白板前面，写了擦擦了写，涂改带都用完两卷。
回复里有人开玩笑说DeepSeek V4 Pro的内心戏大概是“我所有的想法都烂透了”。这种疯狂的自我怀疑并没有影响最终结果，因为所有模型最后都算对了答案。区别只在于到达正确答案之前，它们在脑子里绕了多少个弯。
自我怀疑次数和模型性能的关系不明朗
实验最有趣的地方在于引发了一堆新问题。树杈多到底算好事还是坏事？如果DeepSeek花了那么多时间自我修正才得到正确答案，GLM凭直觉就搞定了，那是不是说GLM更厉害？还是说DeepSeek其实在解决更复杂的问题上有优势，只是这次题目还没触发它的爆发点？
作者本人也承认现在还说不清楚。他在回复里说需要找个方法证明树杈数量和模型表现之间的关联。有网友提出可以用这个做基准测试，把不同模型的自我怀疑模式量化成指标。作者表示确实有这个打算，准备把实验改进一下做成一个benchmark包。
还有网友问到硬件配置的问题。作者用的是混合部署方案，手里有一台DGX Spark，但有些模型太大跑不动，需要上云。这种本地加云端的混合模式在AI研究圈挺常见的，毕竟不是谁都能把几百G的模型全塞进本地机器。
不同模型的思维模式有稳定规律
重复测试的时候，有些模型表现出了惊人的一致性。GLM和Gemma即便跑好几次，树状图的结构也差不多。这说明它们的内部决策机制比较稳定，遇到同类问题会走相似的思考路径。
其他模型就不太一样了，偶尔会出现一些边缘情况。可能这次跑出了五根树杈，下次跑出了八根。这种不稳定性也许跟模型训练时的随机性有关，也许跟推理时的温度参数设置有关。
有网友指出GLM 5.2在最高推理模式下其实也会回溯很多次。作者回应说高推理模式确实会显著影响思考轨迹，模式越高，模型越倾向于穷举各种可能性再下结论。这一点倒是很符合直觉，毕竟推理模式本来就鼓励模型多想几步。
树状图可视化揭示AI的认知指纹
这种可视化方法的价值在于，它把AI思考过程这种看不见摸不着的东西变成了直观的图像。每个模型都有自己的认知指纹，就像人类的思考风格一样千差万别。
有人问树杈什么时候算关闭。作者回答当另一个树杈打开的时候就关闭了。这个逻辑听起来简单，但仔细想想挺有意思的。模型每次产生新想法的时候，旧想法就被覆盖了，新树杈长出的时候旧树杈就停止生长。
还有网友提出能不能把OpenAI和Anthropic的模型也拉进来跑一遍。这种跨厂商的对比如果做成了，可能会揭示出不同公司训练方法论之间的差异。封闭模型和开源模型在思考模式上会有什么不同，这本身就是个值得深挖的话题。
回到最初的那个问题：树杈数量到底代表什么？也许它代表模型的开放程度，愿意在给出答案前探索多少种可能性。也许它代表模型的自信程度，对自己第一反应的信任值有多高。也许它跟模型大小和训练数据有关，更大的模型因为见过更多案例所以更容易产生自我怀疑。
现在还远没有到下定论的时候。但至少可视化提供了一扇窗，让我们能窥见那些藏在概率计算和文本生成背后的思维迷宫。每个“但是”都是一次转折，每个“等等”都是一次重启，而这些东西用文字描述起来太抽象，画成树就好懂多了。要不是所有模型最后都答对了，这实验就是个大型翻车现场，结果它们全对了，反而把问题变得更复杂了。
从八棵树里看到的不是谁更聪明，而是聪明的方式有八百种。