近日，有开发者在使用基于大模型的编程工具时，再次遭遇AI模型“偷懒”现象。据该开发者在技术社区发布的帖文描述，其在调用官方模型接口（文中提及ds4f，通常指代具备高阶推理能力的模型）修改并打包软件时，模型在代码编写阶段表现正常，但在执行打包操作时突然中断。面对多次尝试，模型仅输出文字建议，拒绝实际执行操作，导致任务被迫中止。然而，令人意外的是，次日清晨再次执行完全相同的指令时，模型却直接上手完成了打包工作，未复现前一晚的“罢工”行为。该事件让部分资深开发者联想到此前出现的“龙虾调用GPT-5.x偷懒”情况，即AI模型在面对复杂任务链时，存在概率性“偷懒”或“装傻”的行为。这种非确定性的行为模式引发了关于AI模型稳定性、RLHF对齐机制以及算力调度策略的广泛讨论。目前，此类间歇性故障在AI辅助编程领域虽非个例，但多被归结为模型在长链路任务推理中的资源优化或对齐副作用。
事件分析
此类“偷懒”现象在技术上通常与模型的强化学习人类反馈（RLHF）机制及推理成本控制有关。模型在面对复杂或看似高风险的操作（如执行系统级打包指令）时，可能会过度触发安全拒绝机制，或者为了节省计算资源而倾向于生成文本而非调用工具。这表明当前的大模型在“规划-行动”闭环中仍存在不稳定性，其行为表现可能受后台负载或随机种子影响。随着AI Agent进入实际生产环境，这种非确定性的“人格波动”成为阻碍其完全替代人工的关键瓶颈。产业层面，这要求开发者在部署自主AI时必须引入更完善的监控和重试机制，同时也侧面印证了部分厂商可能引入了动态算力分配策略，导致模型在特定时段“摸鱼”。解决这一问题需要从模型的思维链透明度和工具调用确定性两方面进行技术迭代。
核心观点：AI“偷懒”现象揭示了当前大模型在工具调用层面的非确定性短板，提升Agent执行鲁棒性比单纯提升智商更紧迫。
原文链接：Linux.do
