為何LLM會陷入確定性循環 (Deterministic Loops) ?
這篇主要由卡內基梅隆大學、加州大學柏克萊分校的研究論文(12 Oct 2025)『Limits of Emergent Reasoning of Large Language Models in Agentic Frameworks for Deterministic Games 』。主要是透過『LLM在處理漢諾塔問題』來探究為何LLM會陷入『確定性循環 (Deterministic Loops)，也就是模型在遇到困境時，會陷入一種無法逃脫的、固定的、無效的循環動作』。
其實最近使用Google Antigravity，求解規劃一個鐵路排班的數學最佳化問題，用『Gemini 3 Pro (High)』和『Claude Sonnet 4.5』也是遭遇到一樣的問題。就如一直以來的論述，LLM是一個求解『Cross-Entropy(交叉熵)損失最小化』的數學最佳化問題，所以這個問題的推論就是陷入了『區域最佳解』所形成的『確定性循環 』，因此解法就是要讓問題跳出這個區域解，到另外一個山谷去找答案。
最終把這篇論文交給了Gemini Canvas，並經過問答之後，幫忙整理了一個簡報檔。
從實驗觀察到數學理論解釋 LLM 的推理限制-探討「性能崩潰」與「確定性循環」的根本成因
原始論文出處：
Limits of Emergent Reasoning of Large Language Models in Agentic Frameworks for Deterministic Games
Youtube參照來源：
別再迷信“湧現推理”｜思考的幻覺？當AI的“湧現推理”撞上漢諾塔
以下是ChatGPT 建議的8種跳脫局部解的提示詞：
CHATGPT、Claude建議跳出局部解的建議作法(僅供參考)：
CHATGPT：
Claude：
作者：周大可