比如GLM-5.2、Qwen3.5等模型，在数学和代码测试中表现越来越强。
但另一边，很多小模型，碰到自己不知道的冷门知识时，很容易编出一个听起来合理的答案。
背后的原因是，一些实验室正在主动做取舍：少记一点知识，把更多能力留给推理。
因为事实很占参数，而且特别容易过时。
软件版本会更新，商品价格会变化，公司高管会换人。模型训练时记住的知识，等正式发布时可能已经旧了。
但推理方法没那么容易过时。怎么拆解问题、发现矛盾、检查答案，这些能力可以反复使用。
所以未来的大模型，可能像一个“会思考但不背书”的通用工具。
它不需要记住所有事实，只需要知道该去哪里找。碰到具体问题时，再通过搜索、知识库、文件和各种工具获取最新信息。
答案来自外部资料，就可以追踪来源。
就算查错了，也可以通过下轮查询拿到新答案。
这样一来，模型不用再塞进海量世界知识，只需保留强大的推理能力，整体体积会继续缩小。
未来一些接近旗舰模型推理水平的AI，可能一张消费级显卡就能跑。
再往后，“知识截止日期”甚至都没那么重要了。
因为最新的世界知识不再需要全部装进模型脑子里。
模型负责思考，工具负责告诉它现在的世界是什么样。大模型
