苹果发表论文指出当前推理模型并未真正思考，仅是模式匹配，批评现有评估忽视思考过程质量。苹果设计了四种谜题环境测试模型推理能力，发现模型在问题变难时思考深度下降，超临界点后性能崩溃。对此，网友有不同看法，有人讽刺苹果自身进展缓慢却否定他人成果，也有人认为论文旨在推动建立更好的推理机制与评估方法。