谷歌一项最新研究显示，GPT-5、Gemini 3 等大模型并不只是存在“没学会”的问题，更多时候是“学过了但答不出来”。研究将这种现象类比为人类的“舌尖现象”，也就是信息明明像在嘴边，却一时无法回忆出来。
这篇题为《Empty Shelves or Lost Keys?》的论文被收录于 ICML 2026。8 月 12 日，Google Research 在博客中集中介绍了研究结果，并同步公开了一套名为 WikiProfile 的基准与完整数据集。
“货架没空，钥匙丢了”
研究把模型答错事实题的原因拆成两类：一类是压根没有学进去，另一类是已经存入参数，但在提问时无法顺利调出。谷歌认为，过去这两类问题常被一起归入“准确率不足”，但它们对应的改进路径并不相同。
为此，研究提出了“知识画像”框架，不再只看一道题答对还是答错，而是判断一条事实在模型记忆中的具体状态。论文把事实划分为五种状态：存入失败、回忆失败、直接回忆、借助 thinking 回忆、未存入却靠推理答对。
在这个框架下，同样一个错误答案，可能对应完全不同的内部状态，后续修正方法也会不同。
WikiProfile 如何测试“有没有记住”
为了区分“存进去了”与“现场推出来了”，研究设计了两类测试。第一类是把维基百科原文截断到答案出现前，让模型续写；或者在同样上下文后面直接发问，以此判断事实是否已经写入参数。第二类则通过换措辞、切换正反方向、反复提问，测试模型能不能把答案取出来。
这部分测试不允许开启 thinking，目的就是把“记住”与“推理”分开测量。
WikiProfile 一共包含 2150 条事实，全部来自英文维基百科。每条事实配 10 道题，其中 2 道测是否存入，4 道要求模型自主作答，4 道是给出选项的识别题，总计 21500 道题。
题目生成由 Gemini-2.5-Pro 完成，之后再由 Google 搜索逐题验证。若答案不唯一或题目存在歧义，整条事实会被丢弃。最后研究团队又做了一轮人工复核，再删去不到 2%。
参与测试的共有 13 个模型，覆盖 Gemini 3、GPT-5、GPT-4.1 和 Gemma 3 四个家族。每个模型都在开启和关闭 thinking 两种模式下分别测试，每道题采样 8 次，总计获得约 450 万条回答。论文称，完整评测一个前沿模型，成本大约为 500 美元。
95%–98% 已存入，但仍有 26%–34% 答不出
研究给出的核心结论是，前沿模型已将 95%–98% 的测试事实存入参数，但在直接问答时，仍有 26%–34% 的事实无法回答。即便开启 thinking，多想一会儿后，仍有 11%–12% 的事实不能回忆出来。
这意味着，至少在这套基准上，事实错误的主要来源已不再是“模型没见过”，而是“模型取不出来”。
冷门知识更容易“卡住”
论文指出，第一个明显瓶颈出现在冷门知识上。以往常见解释是模型容量不够，导致长尾事实根本没有学进去；但这次数据呈现出不同结果：冷门知识多数已经存进去了，问题出在提取阶段。
以 Gemini-3-Pro 为例，模型对冷门事实的存入率为 94.5%，热门事实为 99.5%，只差 5 个百分点；但进入直接回忆环节后，冷门事实正确率降至 63.3%，热门事实仍有 84.7%，差距扩大到 21 个百分点。
换句话说，存的时候几乎没差，取的时候差距被明显拉开。
GPT-5 的落差更大。论文数据显示，GPT-5 对冷门事实的存入率为 90.7%，热门事实为 98.4%；但在实际作答时，冷门事实只剩 52.9%，热门事实还有 77.8%。
研究据此认为，长尾问题的关键并不只是“模型没见过冷门事实”，而是这些知识即便已经被存入，也更难在提问时被唤起。
反向提问仍是大模型弱点，但问题不在“没学到”
第二个高频卡点出现在反向提问。论文举例称，模型通常能较快回答“汤姆·克鲁斯的妈妈是谁”，但若反过来问“这位女士的儿子是谁”，就更容易失误。
2023 年已有论文把这一现象称为“反转诅咒”，当时一种解释是：模型学会了“A 是 B”，却没有把“B 是 A”的双向关联一并学进去。
谷歌这次把同一批题目改成四选一识别题后，结果出现变化。GPT-5 在正向问答中的回忆率为 82.9%，反向提问降到 74%。但切换到给出选项的识别题后，反向题并不比正向更难；13 个模型中有 9 个在反向识别题上表现更好，另外 4 个持平。
也就是说，模型在选择题里能认出答案，但在闭卷生成时却说不出来。论文据此判断，相关关联关系本身大概率已经存在，真正卡住的是如何把这层关系从参数中挖出来。
作者给出的解释是，事实在存入参数时，连同当时的语境、措辞和顺序也被一并保留下来；一旦提问方式偏离训练时的表达，检索难度就会明显上升。
thinking 不只是推理，也在帮模型回忆
WikiProfile 中的问题多为一句问一句答，并不要求复杂推理。按常理看，像“Oasis 第一场演出在哪个俱乐部”这类问题，要么记得，要么不记得，thinking 理应帮助有限。
但论文发现，thinking 的确能把一部分“已经存入但一时答不出”的事实重新捞回来。对这类事实，thinking 的找回比例达到 40%–65%；而对那些压根没有存入参数的事实，thinking 只能找回 5%–15%。
研究据此认为，thinking 在很多情况下并不是借助外部知识重新推导，而更像是在原有参数记忆中搜索“丢掉的钥匙”。
作者还排除了另一种更简单的解释：如果 thinking 只是让模型输出更长、因而增加了 8 次采样里“蒙对一次”的概率，那么答案分布理应更分散。但实验结果相反，开启 thinking 后，同一道题在 8 次采样中的正确次数反而更集中。
收益最大的地方，正是前面最堵的两个场景。Gemini-3-Pro 的冷门与热门事实差距从 21.4 个百分点缩小到 12.5 个百分点；GPT-5 在正向与反向提问间的差距，则从 9 个百分点缩小到 2 个百分点。
谷歌另一篇姊妹论文《Thinking to Recall》给出两个机制解释：一是计算缓冲，即思考过程中产生的 token 即便内容本身意义有限，也给模型提供了额外的隐式算力；二是事实启动，模型先激活一批相关事实，为最终答案搭起一条语义路径。这一过程被类比为人类认知中的“扩散激活”。
不过论文也提醒，这种方式有代价。如果思维链中的中间事实本身就是错误或虚构的，最终答案出现幻觉的概率反而会上升。
扩参数更像“补货”，未必能解决“配钥匙”
研究还以开源 Gemma 3 家族为参照，观察模型规模扩大后的变化。随着参数量从 1B 增加到 27B，编码失败率从 85% 降到 23%。这说明扩大规模确实能够提高事实存入率。
但回忆失败并没有同步下降。相反，在剩余错误中的占比一路上升，到 27B 时已成为主要错误来源。
放到前沿模型上，这个趋势更明显。论文称，回忆失败占 GPT-5.2 全部错误的七成以上，而且模型越强，这个比例越高。对 13 个模型的整体比较也显示，随着参数变大，编码失败一路收缩，回忆失败基本不动。
研究据此给出的判断是：扩规模主要改善“存了多少”，未必改善“取得出多少”。在 95%–98% 的参数事实存入率已经接近天花板的情况下，继续增加参数和数据，带来的准确率提升会越来越有限。
论文同时提到，检索增强可以作为补位手段，但参数内部知识仍关系到流畅度、响应速度与跨语境整合能力，难以被外部检索完全替代。
下一步是让模型先意识到“我想不起来”
研究最后把问题推进到“元认知”层面：模型需要先判断自己当前是“直接能答”还是“想不起来”，才能知道这道题是否值得开启 thinking。
过去两年，提升模型可靠性的常见路径是喂更多数据、扩大参数规模。谷歌这项研究给出的新结论是，在事实层面，前沿模型的“货架”已经装得差不多，接下来更关键的是如何把已经存进去的知识顺利取出来。
而更难的一步，是让模型先知道自己并不是“不会”，而是“想不起来”。
参考资料包括 Google Research 博客《Empty Shelves or Lost Keys? Recall is the Bottleneck for Parametric Factuality》以及 aihot.virxact.com 的相关内容。原文来自微信公众号“新智元”，作者为 ASI 启示录。