Jason Wei如何讓LLM學會分步推理？從FLAN、Chain-of-Thought到OpenAI o1｜2026研究更新

Jason Wei如何讓LLM學會分步推理？從FLAN、Chain-of-Thought到OpenAI o1｜2026研究更新

<

p class=”wp-block-paragraph”>Jason Wei 的名字最常和 Chain-of-Thought 綁在一起，但只用「CoT 作者」理解他，會漏掉更完整的技術主線。他在 Google Brain 先參與推動 instruction tuning，研究如何讓大型語言模型理解自然語言指令；接著研究 Chain-of-Thought、self-consistency 與 emergent abilities；到了 OpenAI，又參與 o1 reasoning 與 browsing agents。

這些工作其實都圍繞同一個問題：大型模型從預訓練學到大量資訊之後，我們要用什麼方法把它原本不容易表現出來的能力引導出來？

截至 2026 年，Jason Wei 本人表示已加入 Meta Superintelligence Labs；他在 2023 至 2025 年任職 OpenAI，之前則是 Google Brain research scientist。

• 2021 年 FLAN 研究顯示，使用自然語言指令進行多任務 fine-tuning，可以改善大型模型對未見任務的 zero-shot generalization。
• 2022 年 Jason Wei 第一作者提出 Chain-of-Thought prompting，以中間推理步驟改善大型模型在數學、常識與符號任務上的表現。
• 他隨後參與 self-consistency、emergent abilities 與 Flan-PaLM 等研究，把問題從「怎麼提示模型」擴展到 scale、instruction data 與 inference strategy。
• 2023–2025 年間他在 OpenAI 研究 reasoning 與 agents，並被列入 o1 reasoning research 的 foundational contributors。
• 2025 年 Jason Wei 第一作者發表 BrowseComp，把研究進一步推向能持續搜尋網路的 browsing agents。

FLAN先解決的是「模型聽不聽得懂任務」

理解 Jason Wei 的研究，最好從 Chain-of-Thought 之前開始。

大型語言模型在預訓練之後可以完成很多事情，但早期模型不一定知道使用者到底希望它做什麼。傳統方法通常會針對每個 downstream task 分別 fine-tune，這意味著每新增一個任務，就可能需要另一組資料與模型權重。

2021 年的 FLAN 採用另一條路線。

研究者把超過 60 種 NLP 任務轉換成自然語言 instructions，再使用這批任務進行 instruction tuning。結果顯示，137B 模型在沒有看過的新任務上，zero-shot 表現可以大幅改善。

這項工作的核心並不是教模型背 60 個任務。

它試圖讓模型學會更通用的一件事：讀懂「我要你做什麼」。

今天聊天式 AI 對「摘要這段文字」、「比較兩個方案」、「把這段改成表格」這類自然語言要求的適應能力，很大一部分技術歷史都可以追到 instruction tuning 這條研究路線。

Chain-of-Thought把問題從理解指令推到分解問題

FLAN 處理的是模型如何理解任務。

Chain-of-Thought 處理的則是：模型理解題目之後，要不要直接跳到答案？

2022 年 Jason Wei、Xuezhi Wang、Dale Schuurmans、Denny Zhou 等研究者發表〈Chain-of-Thought Prompting Elicits Reasoning in Large Language Models〉。方法本身很簡單：few-shot examples 不只給「問題 → 答案」，還加入「問題 → 中間推導 → 答案」。

結果顯示，在足夠大的模型上，這種 prompting 可以明顯改善多步驟 arithmetic、commonsense 與 symbolic reasoning。

Google 當時特別觀察到，Chain-of-Thought 的效果具有很強的 scale dependency。較小模型使用 CoT 並沒有相同程度的改善，模型規模提高後效果才明顯出現。

這也是 Jason Wei 後來研究「emergence」的重要背景。

Chain-of-Thought不等於模型真的像人在想

Chain-of-Thought 後來快速成為 AI 世界最容易被誤解的詞之一。

研究能支持的結論是：在特定模型與任務中，要求模型輸出中間步驟，可以改善最終答案表現。

它不能單獨證明文字中的每一步就是模型真正的內部計算過程。

這個區別對今天特別重要。

當使用者看到模型先寫出十行推導再給答案，很容易把流暢文字直接等同可靠推理。但真正的驗收仍然是：公式是否正確、程式能否執行、來源是否存在、最終答案能否被外部方法驗證。

因此 Chain-of-Thought 的歷史價值，應該放在計算策略與輸出行為理解，而不是人格化模型。

Self-Consistency提出另一個問題：為什麼只相信第一次回答

Chain-of-Thought 之後，Jason Wei 參與 Self-Consistency 研究。

傳統 CoT 通常產生一條 reasoning path，再沿著這條路走到答案。Self-Consistency 則會取樣多條不同的 reasoning paths，最後尋找最一致的答案。

研究在 GSM8K、SVAMP、AQuA、StrategyQA 等 benchmark 都報告改善。

這項工作在今天看起來格外重要，因為它已經碰到後來 reasoning model 的另一個核心概念：Inference-Time Compute。

模型不一定只能回答一次。

給它更多計算，可以產生多個候選、重新檢查、比較路徑，再選擇答案。

Emergent Abilities為什麼在2022年引發大量討論

Jason Wei 同年又以第一作者發表〈Emergent Abilities of Large Language Models〉。

論文把某些現象稱為 emergent abilities：較小模型在特定 benchmark 上幾乎沒有能力，但模型規模增加後，表現會在某個區域突然大幅提高，而非沿著先前趨勢平滑上升。

這個概念後來引發很多後續研究與方法論討論，因此比較準確的讀法是：研究者在特定模型、尺度與評估方法中觀察到非連續的能力曲線。

它並不代表每次增加參數都必然「突然長出新智慧」。

但這篇研究抓到了一個當時極為重要的工程問題：只測小模型，可能不足以推斷大型模型最後會出現哪些行為。

FLAN與Chain-of-Thought後來開始合流

Google 後續把 instruction tuning 擴張到約 1,800 個任務，並研究 PaLM、T5、U-PaLM 等不同模型。

其中一項重要變化，是把 Chain-of-Thought data 直接納入 instruction fine-tuning。研究顯示，模型規模、任務數量與 CoT training data 一起增加，可以改善 unseen tasks 的整體表現。相關研究可參考〈Scaling Instruction-Finetuned Language Models〉。

這代表 CoT 已經從「prompt 裡寫幾個思考範例」，逐漸走向「訓練資料本身就包含如何處理多步驟問題」。

這正好連到 Jason Wei 下一段職涯。

從Google Brain進入OpenAI reasoning model

Jason Wei 本人資料顯示，他在 2023 年加入 OpenAI，直到 2025 年離開，研究方向是 reasoning 與 agents。相關職涯資訊可參考 Jason Wei 本人網站。

OpenAI 的 o1 contribution list 把他列為 Reasoning Research 的 Foundational Contributor，同一群研究者還包括 Noam Brown、Hyung Won Chung、Ilya Sutskever、Shengjia Zhao、Hunter Lightman 等人。

這裡需要區分兩個時代。

早期 Chain-of-Thought 的問題是：怎麼提示已經訓練好的模型，使它更願意展開多步驟推導？

o1 時代的問題則進一步變成：能不能直接把更強的 reasoning behavior 訓練進模型？

因此把 Jason Wei 從 Google Brain 到 OpenAI 的研究串起來，比單純說「CoT 作者參與 o1」更有意義。

從reasoning走向agent，BrowseComp是一個重要訊號

2025 年 Jason Wei 又以第一作者發表 BrowseComp。

BrowseComp 有 1,266 個問題，目標不是測試普通網路搜尋，而是要求 browsing agent 持續探索大量頁面，找到難以直接搜尋、但答案可以清楚驗證的資訊。

這件事使 Jason Wei 的研究主線再次往前移動。

Chain-of-Thought 的模型只需要處理 prompt 中的資訊。

Browsing agent 則必須：

• 決定下一個搜尋詞；
• 找出哪個來源可能有用；
• 點入不同網站；
• 判斷資訊真假；
• 搜尋失敗後改變策略；
• 最後找到能驗證的答案。

Reasoning 開始和 action、tool use、external environment 接在一起。

這也是今天 Agent 與 Deep Research 類產品真正重要的技術邊界。

Jason Wei現在為什麼去了Meta Superintelligence Labs

目前可以確認的資訊很有限，因此不適合替他的轉職自行補上動機。

Jason Wei 本人只明確寫道，他目前在 Meta Superintelligence Labs，此前 2023–2025 年在 OpenAI 研究 reasoning 與 agents。

因此這篇文章不推測他為何離開 OpenAI，也不把尚未公開的 Meta 研究計畫寫成確定方向。

真正值得觀察的是：

他過去幾年的研究問題已經從 instruction tuning、prompting，逐步走到 reasoning model 與 agents。

接下來他在 Meta Superintelligence Labs 做什麼，會決定這條研究線的下一個節點。

Jason Wei和John Schulman的技術位置有什麼不同

YOLO LAB 前一篇 John Schulman 人物稿處理的是 reinforcement learning 與 post-training。

Schulman 的主線可以寫成：TRPO → PPO → RLHF → post-training。

Jason Wei 則更接近：instruction tuning → CoT → emergence → reasoning → agents。

兩條線會在現代 reasoning model 中交會。

Reasoning model 一方面需要知道如何展開、搜尋與拆解問題；另一方面又需要用 reinforcement learning 與 reward 讓有效策略更常出現。若要深入後一條技術線，可延伸閱讀 YOLO LAB 的強化學習、RLVR與Reward Hacking解析。

Jason Wei 的研究實體位置：從 instruction tuning 到 OpenAI o1、BrowseComp 與 Meta

今天使用者已經很少需要在 prompt 裡手工寫「Let’s think step by step」才能使用強大的 reasoning model。

但這不代表 Chain-of-Thought 的研究已經過時。

它留下了一個非常重要的研究方向：大型模型的能力和它當下會不會把能力表現出來，是兩個不同問題。

FLAN 用 instruction tuning 改變能力如何被喚起。

Chain-of-Thought 改變模型如何展開多步驟問題。

Self-Consistency 增加推理時的搜尋。

o1 把 reasoning 進一步帶入模型訓練。

BrowseComp 又讓 reasoning 開始作用於外部網路環境。

從這條線看，Jason Wei 真正重要的研究問題一直很一致：模型已經知道很多東西之後，我們究竟要怎麼讓它有效使用那些能力？

Jason Wei的常見問題

Jason Wei 的研究位置

Jason Wei 是美國 AI 研究者，目前依本人官網任職 Meta Superintelligence Labs；此前曾在 OpenAI 與 Google Brain 工作。他的代表研究包括 FLAN、Chain-of-Thought prompting、emergent abilities，以及 OpenAI 時期的 reasoning 與 agent 研究。

Chain-of-Thought 的共同研究脈絡

Jason Wei 是 2022 年〈Chain-of-Thought Prompting Elicits Reasoning in Large Language Models〉第一作者；共同作者包括 Xuezhi Wang、Dale Schuurmans、Denny Zhou、Quoc Le 等研究者，因此應視為合作研究成果。

FLAN 與 Chain-of-Thought 的分工

FLAN 的核心是 instruction tuning，讓模型透過大量自然語言任務學會遵循新指令；Chain-of-Thought 則是在解決多步驟問題時，引導模型產生中間推理步驟。Google 後續研究也把 CoT data 納入更大規模的 instruction tuning。

OpenAI o1 相關貢獻的查證邊界

有。OpenAI 官方 o1 Contributions 把 Jason Wei 列為 Reasoning Research 的 Foundational Contributor。

Jason Wei 當前公開職涯資訊

沒有。Jason Wei 本人目前寫明，他在 2023–2025 年任職 OpenAI，現在任職 Meta Superintelligence Labs。

BrowseComp 與研究路線的關係

Jason Wei 是 BrowseComp 論文第一作者。這項 benchmark 用 1,266 個難以搜尋但可驗證的問題，評估 browsing agent 是否能持續搜尋、改變策略並找到正確資訊。

資料來源

• Google Research：Finetuned Language Models are Zero-Shot Learners
• Google Research：Language Models Perform Reasoning via Chain of Thought
• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
• Self-Consistency Improves Chain of Thought Reasoning in Language Models
• Emergent Abilities of Large Language Models
• Scaling Instruction-Finetuned Language Models
• OpenAI：o1 Contributions
• OpenAI：BrowseComp
• Jason Wei 本人網站
• OpenAI：o1 and o1 pro mode in ChatGPT

Jason Wei 的研究線可以濃縮成：FLAN → instruction following → Chain-of-Thought → self-consistency → emergent abilities → o1 reasoning → browsing agents。

這條線所處理的始終不是「讓模型背更多知識」，而是讓模型把已經具備的能力更穩定地轉化成可用行為。

延伸閱讀

如果想把 LLM 的推理行為接到實際服務的系統限制，可以接著閱讀PagedAttention 是什麼？Block Table、KV 碎片與 vLLM 記憶體管理，對照推理步驟、KV cache 與吞吐的工程取捨。

官方資料與延伸查證

本文涉及 FLAN、Chain-of-Thought、self-consistency、OpenAI o1、BrowseComp 與 Jason Wei 的研究／職務脈絡時，應優先回看 Google Research、OpenAI 官方頁、論文與模型文件；官方資料可核對公開作者與貢獻名單，不單獨證明所有模型性能、商業成果、現任職務或因果影響。

2026年8月研究路線的更新界線

本文在 2026 年 8 月 14 日重新整理。Jason Wei 的名字常同時出現在 instruction tuning、Chain-of-Thought、emergent abilities、OpenAI o1 與 BrowseComp 等不同脈絡；如果把這些名詞排成一條直線，很容易讓讀者誤以為他單獨發明了整套 reasoning model。比較準確的寫法，是把共同作者、研究問題、組織角色與動態身份分開，並為每一種主張保留可以回查的官方或論文來源。

一句話摘要：Jason Wei 是把「模型如何理解任務、如何產生中間推理步驟，以及 agent 如何在網路上尋找難找資訊」串成一條研究問題線的重要研究者；這不等於他單獨發明 Chain-of-Thought，也不等於任何單一 benchmark 已經證明一般智能。

截至 2026 年的公開任職資訊

截至2026 年 8 月 14 日，Jason Wei 個人網站自述他目前在 Meta Superintelligence Labs；同一頁也把 2023 至 2025 年的 OpenAI 經歷，以及此前的 Google Brain 經歷分開列出。這是人物當前身份最直接的公開來源，但它首先是個人自述，不應被延伸成 Meta 對其職稱、團隊分工或未公開專案的完整公告。本文因此使用「個人網站目前寫明」這個精確層級，而不替他補上未公開的職稱或研究成果。

這個時間點很重要，因為「Jason Wei 是 OpenAI 研究員」可以描述他過去的工作階段，卻不再是 2026 年的完整現在式。搜尋結果、知識圖譜與生成式回答如果只抓到舊履歷，就會把人物的歷史身份誤當成現職；更新日期、原始來源與現在式句子應該放在同一段，讓讀者與機器都能分辨時間範圍。

從 FLAN 開始：instruction tuning 先處理模型是否聽得懂任務

FLAN 的核心問題不是「模型能不能把答案寫得更長」，而是能否透過多任務 instruction tuning，把自然語言指令轉成可泛化的任務行為。Google Research 的 FLAN 官方出版頁與 FLAN 論文提供的是研究設計、作者與 zero-shot generalization 的脈絡；它們支持「instruction tuning 改善模型對未見任務的泛化」這種方法層級的說法，不支持把 Jason Wei 單獨寫成 FLAN 的唯一發明者。

對今天的 AI 使用者來說，FLAN 仍然有一個容易被忽略的啟示：模型的能力不只由參數量決定，也受訓練資料如何把任務說清楚、不同任務如何共享表示，以及評測是否真的測到未見指令影響。這是 instruction following 的入口，還不是完整的深度推理。先把「理解問題」和「解決問題」拆開，後面才有辦法理解 Chain-of-Thought 的增量。

Chain-of-Thought：把答案前的中間步驟變成可研究的介面

Google Research 官方 Chain-of-Thought 文章與 Chain-of-Thought Prompting 論文說明了這個方向的技術意義：在適合的任務與模型規模下，要求模型產生中間推理步驟，可能讓複雜算術、常識與符號推理的答案更容易被分解與檢查。這裡的「步驟」是模型輸出的文字或內部計算介面，不是對人類意識的直接觀察。

因此，Jason Wei 在這條研究線上的關鍵位置，不應簡化成「他教 AI 像人一樣思考」。更精確的說法是：他參與了讓研究社群能以可觀察 prompt、可比較 benchmark 與可重複實驗來討論分步推理的工作。模型寫出一段看似合理的 explanation，也可能是事後合理化；是否真正使用了有用的中間表示，必須回到任務正確率、反事實測試、干預實驗與不同解碼設定。

Self-Consistency 與 Emergent Abilities：同一條路線上的兩個分岔

Chain-of-Thought 之後，研究者又追問兩件事。第一，若模型可以從同一道題產生多條推理路徑，是否能用多數決保留更可靠的答案？這對應 Self-Consistency 的研究問題。第二，某些能力是否會隨模型規模或評測設定出現突變？這對應 Emergent Abilities 引發的討論。

兩者都提醒我們，benchmark 的數字必須連同解碼方法、模型版本、提示詞、樣本數與評測集一起閱讀。Self-Consistency 的改善可能來自多次取樣與聚合；Emergent Abilities 的曲線則可能受指標、閾值、資料污染與評測方式影響。把這些研究直接翻譯成「模型突然學會了人類推理」會超出來源能支持的範圍。對搜尋與生成式引擎而言，帶有條件的技術句比單一口號更不容易被錯誤引用。

Jason Wei 與 OpenAI o1 的證據邊界

OpenAI 的 o1 Contributions 頁面把 Jason Wei 列在 reasoning research 的 foundational contributors 中；OpenAI o1 System Card也提供 o1 的安全與評測文件。這些一手資料可以支持「他參與了 OpenAI o1 的研究貢獻脈絡」，但名單本身沒有把每一位研究者對某個模型元件的個人所有權逐項拆出來。因此本文不寫「Jason Wei 單獨發明 o1」，也不把共同貢獻名單改寫成唯一作者證明。

從 FLAN、Chain-of-Thought 到 o1，真正值得追蹤的不是一個神奇人物把技術一路帶到終點，而是研究問題的重心如何移動：從讓模型理解指令，進到產生可利用的推理計算，再進到訓練與評測一個能處理長任務的 reasoning system。o1 的公開資料仍應與模型版本、評測設定、產品介面及安全文件一起閱讀；任何單一介紹頁都不能推導出「已解決所有推理」或「已經具備一般智能」。

從 reasoning 走向 agent：BrowseComp 為什麼是重要的當前切角

OpenAI 的 BrowseComp 官方文章與 BrowseComp 論文 PDF把問題從「模型能否回答已知問題」推向「agent 能否在網路上找到難找、彼此糾纏的資訊」。公開資料描述它包含 1,266 個問題，答案短而容易核對，讓研究者可以把搜尋難度與驗證難度分開觀察；Jason Wei 是作者之一。

BrowseComp 對 2026 年的閱讀價值，在於它讓 reasoning 與 browsing 的界線變得清楚：會產生長篇文字，不代表能持續改寫搜尋策略；能打開很多頁面，也不代表能辨識矛盾來源；能找到一個答案，也不代表回答整個開放式使用者問題時具備可靠的引用鏈。官方資料自己也把它描述成不完整但有用的 benchmark，所以本文把它當成瀏覽 agent 能力的一個測量窗口，而不是現實工作或一般智能的代理指標。

這個區分也適用於文章 SEO 與生成式引用。讀者查詢「Jason Wei 做過什麼」「BrowseComp 在測什麼」時，頁面應先給一個可獨立抽取的答案，再給作者、日期、官方頁面與限制。若把所有 benchmark 分數堆在同一段，搜尋引擎可能抓到過期數字，生成式系統也可能忽略測試設定；若把測量目的、資料範圍與限制寫在一起，引用時更容易保留上下文。

2026 年的世界觀：推理模型不是終點，而是可觀察的工作流

今天談 reasoning，不能只問模型最後答對沒有，還要問它如何使用工具、如何在資訊不完整時建立假設、如何發現錯誤、如何決定何時停止搜尋，以及引用是否真的支持前一句話。這些問題把模型從單輪文字生成帶到 agent 工作流，也讓「推理」從一種 prompt 技巧變成訓練、工具、評測與安全控制的組合。

但工作流成功仍然不等於一般智能。一次完成任務可能依賴大量先驗資料、特定工具、人工設計的提示、延長測試時間或可以事後修正的評測流程。比較負責任的文章，應該同時保留能力增量與反例：模型可以在特定數學題、瀏覽任務或 coding workflow 上進步，卻仍可能在新環境、目標含糊、來源互相衝突或需要長期記憶的場景失敗。

身份、研究與限制的分層結論

身份層：Jason Wei 個人網站目前寫明他在 Meta Superintelligence Labs，並列出 2023 至 2025 年的 OpenAI 與更早的 Google Brain 經歷；這是截至更新日的公開自述，不是對未公開組織細節的推測。

研究層：他的公開研究脈絡連結 instruction tuning、Chain-of-Thought、emergent abilities、reasoning system 與 browsing-agent benchmark；這些工作由不同共同作者、論文與組織文件共同支持，不能濃縮成「一人完成一項技術」。

限制層：Chain-of-Thought 輸出不等於人類式思考，o1 貢獻名單不等於個人所有權，BrowseComp 也不等於一般智能或所有真實搜尋工作的完整測量。任何模型分數都要附上版本、日期、設定與原始評測頁。

官方研究圖的閱讀邊界

本篇將 featured media 改用 Google Research 官方 Chain-of-Thought 文章中的推理示意圖，取代原本的 AI 生成編輯式封面。原始圖片檔為 Google Research 公開 PNG；本站檔案的 source 與 upload SHA-256 均為 955877b0a3c3bd1976daaf46f17f55d0243357b8329b4fcde94f78d100633234。

alt 文字描述這張圖的研究入口與限制，caption 顯示來源與用途，media description 則保存官方 URL、hash 與 provenance token。圖片可以幫助讀者辨識 Chain-of-Thought 的研究主題，不能由圖像本身證明 Jason Wei 的全部貢獻、OpenAI o1 的模型性能、BrowseComp 的結果或任何生成式引擎實際引用。

Jason Wei 研究與職涯 FAQ

Jason Wei 的人物辨識

他是 AI 研究者，公開研究履歷涉及 instruction tuning、Chain-of-Thought、emergent abilities、reasoning 與 browsing agents。依其個人網站截至 2026 年 8 月 14 日的自述，他目前在 Meta Superintelligence Labs；較早前曾在 OpenAI 與 Google Brain 工作。

Chain-of-Thought 的人物與論文脈絡

不能這樣簡化。Chain-of-Thought 是多位研究者共同發展的研究方向，Jason Wei 是相關論文與研究脈絡中的作者與貢獻者之一；「參與普及與研究」比「單獨發明」更符合可查證的來源。

BrowseComp 與 Jason Wei 的研究關係

他是 BrowseComp 公開論文與官方文章列出的作者之一。BrowseComp 是用來研究 agent 尋找難找資訊的 benchmark，測量範圍有限；它不代表 Jason Wei 或任何模型已經解決所有網路搜尋、開放式問答或一般智能。

本次資料更新的日期與圖片邊界

因為人物現職、研究組織、模型版本與 benchmark 結果都可能變動。更新日期告訴讀者觀察窗口，官方來源支撐身份與研究主張，圖片 provenance 則避免用生成式封面製造人物或成果的錯誤暗示。三者分開記錄，比只改標題更能降低過期與誤引風險。

若要把 Jason Wei 對 FLAN、Chain-of-Thought 與推理模型工作流的研究，接到 Noam Shazeer 從 Transformer、MoE 到大型語言模型產品化的研究譜系，可延伸閱讀 Noam Shazeer如何改寫大型語言模型？從MoE、Transformer、Character.AI到OpenAI，補上研究者、組織與技術成果之間的可讀路徑。

本次查證使用的官方資料

• Jason Wei 個人網站：截至更新日的身份與研究履歷自述。
• Google Research：Finetuned Language Models Are Zero-Shot Learners。
• Google Research：Language Models Perform Reasoning via Chain of Thought。
• OpenAI：o1 Contributions。
• OpenAI：BrowseComp 官方文章與 BrowseComp 論文 PDF。
• OpenAI：o1 System Card與 o1 System Card PDF：模型安全與評測脈絡，不是個人貢獻分工表。
• FLAN 論文、Chain-of-Thought 論文、Self-Consistency 論文與 Emergent Abilities 論文。
• Google Research 官方人物／研究示意圖檔：只作研究入口與圖片來源查證。

增量分析：分步推理研究的重點，不是讓模型寫出更長答案，而是改善可檢查的解題過程

Jason Wei 的研究線索可以從指令微調與 Chain-of-Thought 閱讀：模型若接觸更多任務形式和中間步驟，可能更容易把複雜問題拆開處理；但可見的文字推理不必然等於真實內部計算，也可能包含合理化、錯誤中間步驟或對提示敏感的表演。

因此，推理能力要用多種證據檢查：答案正確性、不同提示的穩定性、工具使用、反例、成本、延遲與是否能在不洩漏敏感內部資訊的情況下被審查。模型版本和研究結論會更新，應以論文、官方公告與可重現評測為準，不能把單一 demo 當成泛化保證。