最近，有用户发现了一个有趣的现象：MiniMax的模型在处理“马嘉祺”这个名字时，出现了识别异常。
起初这被认为是个偶然事件。但经过多方测试，该问题在不同接口和平台上均能稳定复现。
甚至有人调侃道：未来如果在OpenRouter上出现一个匿名模型，且它认不出“马嘉祺”，那么它很可能就来自MiniMax。
测试表明，无论是在MiniMax官方的Agent平台，还是通过OpenRouter调用其API，这一现象均会出现。
更值得注意的是，在某些回复中，模型甚至同时生成了两个不同的名字。
然而，仔细分析用户截图和API返回结果可以发现，模型实际上能够检索到与马嘉祺相关的资料，并能大致正确地输出其背景信息。问题仅在于，每当需要输出名字时，模型便开始“自由发挥”。
简而言之，信息内容基本正确，所指人物也大致对应，唯独名字本身出现了偏差。
那么，导致这一现象的原因是什么？
从现有表现来看，这更像是模型在特定词汇的生成环节出现了异常，而非意味着它缺乏关于该人物的知识。
一种可能的解释与训练数据的清洗和分布有关。对于马嘉祺这类具有极高网络讨论度的公众人物，互联网上存在大量重复、模板化的内容。在大规模数据去重、过滤或重新加权过程中，此类词汇可能被“误伤”，从而导致模型在生成该名字时表现不稳定。
从生成机制上理解，大语言模型并非以“先完全确认人物，再机械输出名字”的流程工作，而是在理解问题、调用相关知识和组织语言的过程中同步完成内容生成。因此，一旦某个特定名字在生成阶段受到额外干扰，就可能出现“人物信息正确，但名字写错”的情况。
近期一篇论文探讨了与此相关的底层机制问题：某些看似发生在知识或推理层面的异常，其根源可能在于更底层的分词器（Tokenizer）机制缺陷，例如非唯一映射问题。
- 论文标题：Say Anything but This: When Tokenizer Betrays Reasoning in LLMs
- 论文地址：https://arxiv.org/pdf/2601.14658v1
作者指出，现代基于子词的分词器普遍存在“一对多编码，但多对一解码”的情况，即多个不同的Token序列可能解码为同一个文本字符串。其结果是，模型可能在Token层面做出了“更改”，但在最终的文本输出上却未产生任何可见变化。
论文设计了一个巧妙的测试：不要求模型解决复杂数学题或回答知识性问题，只让它执行一项看似极其简单的任务——替换句子中被标记出的词语，并保持其余内容完全不变。
理论上这几乎不应失败。但作者发现，在超过11000次的替换实验中，许多模型都出现了一种被称为“幽灵编辑”（phantom edits）的现象：模型输出的Token ID确实发生了变化，但解码后显示的词语却与原文一模一样。也就是说，模型“以为自己完成了修改”，而人类看到的却是“什么都没变”。
研究还指出，并非所有问题都能通过“扩大模型规模”自动解决。作者测试了多个模型家族后发现，这类由分词器非唯一映射引发的错误，并不会随着参数规模的增加而自然消失。
（图注：在词语替换任务中，不同大语言模型家族及不同参数规模的结果分布。“Different”类别突出了由分词器引发的“幽灵编辑”现象，该现象在所有模型规模和家族中均持续存在。）
论文进一步提出，某些看似是“推理能力不足”的问题，可能部分原因只是分词器在底层悄悄引入了干扰。换言之，有时并非模型不会推理，而是它被底层机制引导至一条看似完成任务、实则原地打转的路径上。
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/archives/26130
