「推理行为的鲁棒性尚未被充分探索」——这句话是整个推理模型研究领域的集体盲点声明。过去两年，测试时计算（test-time compute）、长思维链（CoT）、o1/R1 类推理模型吸引了巨大关注，但几乎所有评测都在「孤立问题」环境下进行。在真实 Agent 部署场景中，「能否保持推理深度」这个最基本的可靠性问题，直到这篇论文才开始被系统研究。

这个数字对国内 AI 从业者而言极为刺耳：Anthropic 一家的算力投入就超过智谱 AI 和 MiniMax 合计的十倍以上，而与 OpenAI 相比差距更大。所谓「中美 AI 竞争激烈」的叙事背后，是一场体量悬殊的不对称战争——不是同一量级的竞争，而是大卫与歌利亚的对决。对智谱这样的公司，这既是警醒，也是生存战略的根本约束。

考虑到中国AI产业的快速发展和政府对AI的大力投资，大多数人可能认为中国拥有更大比例的全球AI计算能力，但作者认为中国公司仅拥有约5%的全球AI计算能力。这一数字远低于人们的预期，挑战了关于中国AI技术实力的普遍认知。