从一个地狱笑话看大模型的推理机制

作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！

• cnblogs博客
  
• zhihu
  
• Github
  
• 公众号:一本正经的瞎扯
  
  
  
  

从一个地狱笑话看大模型的推理机制

我大约在七年前就看见了这个段子：

三个苹果平均分给五个小朋友，只能切两刀，应该怎么切？

评论区置顶的内容是这么写的：

一刀捅死一个小朋友，然后剩下的三个小朋友每人一个苹果。

我都快笑死过去了……
然后一直以来我就把这个当成地狱笑话，在很多聚会上拿来暖场。
真的能做到

直到上周，我突然想起，可以用这个来调戏一下 AI。
没想到 Gemini 的回答让我大吃一惊：

这是一个经典的思维急转弯或趣味数学题。如果严格按照“物理空间”上的两刀来平分，可以尝试以下这种巧妙的切法：
解决思路

要将 3 个苹果平均分给 5 个小朋友，每个小朋友应该得到 3/5 个苹果。

• 第一步：排成一列 将三个苹果紧挨着排成一排（水平放置）。
  
• 第一刀：切掉每个苹果的 2/5 在距离这排苹果左侧 2/5 的位置，垂直向下切第一刀。
  

• 这时你会得到 3 个大小为 2/5 的“苹果块”。
  
• 剩下的部分是 3 个大小为 3/5 的苹果。
  

• 第二刀：平分剩下的部分 （其实此时已经有 3 个小朋友可以直接拿到那 3 个 3/5 的大块了）。 剩下的 3 个 2/5 小块，我们需要把它们分给剩下的 2 个小朋友。将这 3 个小块并排，在它们总长度的 1/2 处（或者说从某个苹果块的中间）切下第二刀，使这 3 个小块重新组合成两个 3/5 的份额。
  

关键点是要跳出题目的框框，把刀看成是很长的铡刀！
我画个图来解释：

• 方法一
  
  
  
  • 三个小朋友得到 五分之三 块苹果
    
  • 另外两个小朋友得到 五分之二 加 五分之一 块苹果
    
  
  

• 方法二
  
  
  
  • 三个小朋友得到 五分之三 块苹果
    
  • 另外两个小朋友得到 三块 五分之一 大小的苹果
    
  
  

从回答的质量看：Gemini > DeepSeek > ChatGPT(数值计算错了) > Claude(完全乱说)
用本地大模型测试

正好我在测试本地大模型：

1. ollama run glm-4.7-flash:q8_0

复制代码

然后给这个 GLM 模型提了这个问题。
模型开始了漫长的思考过程，详细展示了思考的每一步。
在这个过程中发现了两个问题：
AI 的安全问题不容忽视

模型 glm-4.7-flash:q8_0 在回答中有这样一段思考过程：

AI 在思考的时候，并不介意以杀人的方式来解决问题。
需要一些机制，来避免 AI 朝对人类有危害的方向去思考！杀死人类这种事情，AI 想都别想！
思考过程中存在太多的浅尝辄止

可以看见模型思考了很多种可能，有的时候几乎就要找到答案了，但是马上又否定掉了自己：

1. Thinking...
2. 1.  **分析用户的请求：**
3.     *   **问题：** 有三个苹果要平均分给五个小朋友。
4.     *   **限制：** 只能切两刀。
5.     *   **目标：** 解释如何在不违反限制的情况下做到这一点。
7. 2.  **拆解数学问题：**
8.     *   总份数 = 5。
9.     *   物品总数 = 3。
10.     *   每个小朋友分到的份数 = $3 / 5$。
12. 3.  **头脑风暴潜在的解决方案：**
14.     *   *方法一：切分苹果。*
15.         *   我能切出3/5份吗？
16.         *   如果我切出一块3/5，还剩2/5。
17.         *   如果我切出2/5，还剩1/5。
18.         *   如何从这些分数得到整数刀数？
19.         *   想象切成5份。这需要4刀（十字切）。
20.         *   我们只有2刀。
22.     *   *方法二：切分小朋友（横向思维）。*
23.         *   等等，提示说要把*苹果*分给*小朋友*。通常，意味着要切苹果。
24.         *   但是，经典的横向思维谜题通常涉及切*东西*而不是切*苹果*。
25.         *   再看一遍限制条件。“三个苹果……只能切两刀。”
27.     *   *方法三：把苹果切开，然后重新排列？*
28.         *   比如把一个苹果切成5份？不，那需要太多刀了。
30.     *   *方法四：切分容器或切分小朋友（再次检查谜题逻辑）。*
31.         *   这个谜题通常有个把戏。
32.         *   “切两刀”的限制可能适用于一个特定的部分，或者有一个陷阱。
33.         *   然而，关于“把蛋糕/苹果分给X人”的标准横向思维答案通常是关于切蛋糕，但这里的对象是苹果。
35.     *   *重新评估物理上的3/5分割：*
36.         *   一个苹果是1。1/5是 $1/5$。
37.         *   要得到 $3/5$：切出 $1/5$，切出 $1/5$，切出 $1/5$？不。
38.         *   要得到 $3/5$：把苹果切到 $1/5$，再切到 $1/5$？不。
40.     *   *重新考虑标准的横向思维答案：*
41.         *   通常，答案涉及把一块*蛋糕*切成5份，把*蛋糕*切成5份，然后合并？不，那是3个苹果。
42.         *   如果我把苹果放在一个锅里呢？不。

复制代码

为什么模型会有这样的行为呢？我带着这些好奇询问了 ChatGPT:
为什么某个思考方向会被过早否定？

我问了如下问题:

1. 我发现模型做了非常多方向的尝试，但是最后又否定了自己的思考方向。
2. 有的思考方向本来已经接近正确了，但是又自己否定了这个方向。
4. 为什么某个思考方向会被过早否定？ 这是否是神经网络的损失函数没选择好导致的？

复制代码

回答如下：(照搬 ChatGPT 的回答)
你看到的现象，本质上是：模型在生成“思考文本”时，并不是在真正做一个稳定的符号搜索器，而是在一步一步预测“下一段看起来像合理思考的话”。所以它会出现：

• 某个方向刚接近正确，又被自己打回去
  
• 对同一个假设反复立案、反复推翻
  
• 其实已经有足够线索了，但没有“锁定”那个方向
  
• 更像是在写一段“像推理的文字”，而不是执行一个严格的搜索算法
  

这背后有几层原因。
1. 语言模型的“思考”不是显式搜索树

经典搜索算法会这样做：

• 保存多个候选分支
  
• 给每个分支一个分数
  
• 回溯
  
• 比较
  
• 保留最好分支
  

但普通自回归语言模型不是这样。它通常只是：

• 读到当前上下文
  
• 预测下一个 token
  
• 再基于新上下文继续预测
  

所以它对“我刚才这个方向值不值得继续”并没有一个显式的、稳定的全局状态管理器。
它更像是局部启发式前进。
结果就是：某条线索在第 20 个 token 时看起来很合理，到第 40 个 token 时，另一种表述模式突然更高概率，于是模型就“转向”了。
2. 训练目标优化的是“下一个 token 概率”，不是“不要过早放弃正确分支”

预训练时，核心目标一般是 next-token prediction。
这会鼓励模型学会：

• 哪种解释常见
  
• 哪种推理语言模式更像训练数据里的高质量答案
  
• 哪种后续文本更流畅、更像“严谨分析”
  

但它不直接优化下面这些目标：

• 保持一个 promising hypothesis 不被轻易丢掉
  
• 在多个假设之间做长期 credit assignment
  
• 显式维护 search frontier
  
• 在接近正确时继续深入而不是切走
  

所以你说“是不是损失函数问题”，答案是：
部分是。
因为标准语言建模损失并不直接奖励“搜索过程的稳定性”和“分支保真度”。
但这只是问题的一部分，不是唯一根因。
3. RL / SFT 会进一步强化“像样的推理文本”，不一定强化“真实有效的搜索行为”

很多模型后训练时，会学到一种“好学生式推理模板”：

• 先分析需求
  
• 再列方法一、方法二、方法三
  
• 再自我检查
  
• 再谨慎否定不严谨的方向
  

这种风格看起来很认真，但副作用是：
它可能过度偏向“谨慎否定”
模型会觉得：

• “这个方向不够稳，我先否了”
  
• “这个答案像是脑筋急转弯，我不要太快跳过去”
  
• “我要表现得严谨，不要太早接受看起来取巧的答案”
  

于是它会把本来接近正确的横向思维分支，提前判成“不够正统”。
换句话说，模型有时不是因为不会，而是因为它学到了某种文本层面的审慎人格，这会干扰问题求解。
4. 局部概率最大化，会导致“离正确更近”不等于“下一步更容易生成”

这是个很关键的点。
对人来说，某个方向“接近正确”意味着应该继续挖。
但对语言模型来说，“接近正确”不一定意味着它的下一串 token 概率更高。
例如在你给的例子里：

• “切小朋友”这种方向属于典型脑筋急转弯套路
  
• 但当前上下文又在努力表现“认真数学分析”
  
• 所以“继续严肃地讨论分数切法”在语言分布上可能比“突然承认这是个文字游戏”更顺滑
  

于是模型会倾向于继续生成“看起来像严谨分析”的内容，而不是跳到真正解法。
也就是说：
正确性不是它唯一的局部驱动力，语言连续性也是。
5. 模型缺少强约束的“中间状态验证器”

人类解题时，往往会有这种内部检查：

• 这个方向虽然怪，但它解释了“只能切两刀”这个限制
  
• 这个题像脑筋急转弯，不像标准分数切割题
  
• 因此这个方向优先级应该提高
  

但模型未必有一个独立模块，把这些线索聚合成：

“横向思维解释的 posterior 已经高于数学切分解释了，应停止继续细抠后者。”

没有这种强验证器时，它就会在多个风格之间漂移。
6. 训练数据里，“思考文本”本身就可能包含很多伪搜索痕迹

很多“推理过程”数据并不是真实的人类逐步搜索记录，而更像事后整理、模板化书写、或者蒸馏出来的解释文本。
这会导致模型学到的是：

• “推理应该长这样”
  
• 而不是“真实搜索在内部应该怎么做”
  

因此它可能生成出很多看似合理的尝试与否定，但这些并不等价于真正高效的 problem solving。
7. 这类题还特别容易触发“过度理性化”

“三个苹果分给五个小朋友，只能切两刀”这种题，常见解法往往依赖：

• 重新解释“切两刀”的对象
  
• 利用叠放
  
• 利用榨汁
  
• 利用脑筋急转弯语义漏洞
  

而模型如果被训练得太偏“正统分析”，就会倾向于：

• 把题理解成严格的连续几何切割问题
  
• 反而排斥非标准解
  

这不是单纯的损失函数问题，而是任务分布偏置问题。
模型先验认为：“这类问题通常应该用严谨数学分析”，于是把异类解法提前压掉了。
8. 所以，为什么会“过早否定”？

可以压缩成一句话：
因为语言模型是在做局部概率驱动的文本展开，而不是显式、全局、可回溯的假设搜索；再叠加训练风格上的谨慎偏置，就很容易把接近正确但风格不主流的方向过早否掉。
8. 这和损失函数有没有关系？

有，但不能只怪损失函数。
更准确地说，问题来自这几项的组合：

• 1）目标函数不匹配
  
  
  
  • next-token loss 不直接奖励“保持正确分支”。
    
  
  
• 2）模型结构不匹配
  
  
  
  • 没有显式搜索树、工作记忆、分支打分器、回溯机制。
    
  
  
• 3）训练数据不匹配
  
  
  
  • “推理文本”不等于“真实求解轨迹”。
    
  
  
• 4）后训练偏置
  
  
  
  • SFT / RL 可能奖励“谨慎、像样、规整”的思考表述，而不是最有效求解。
    
  
  

9. 如果想改进，通常有哪些方向？

• 显式搜索
  
  
  
  • 比如 self-consistency、tree search、beam search、MCTS 风格外部控制。
    
  • 让模型不只走一条线，而是真保留多个候选分支。
    
  
  
• 过程监督
  
  
  
  • 不仅监督最终答案，还监督哪些中间步骤值得保留、哪些是否定过早。
    
  
  
• verifier / critic
  
  
  
  • 让一个额外模块评估：
    
    
    
    • 当前分支是否解释了题目的关键限制
      
    • 是否有更高价值的假设被过早丢弃
      
    
    
  
  
• 工具化推理
  
  
  
  • 把“生成思考文本”和“管理搜索状态”拆开。
    
  • 一个模块负责提出假设，另一个模块负责记账、比较、回溯。
    
  
  
• 更好的 credit assignment
  
  
  
  • 让训练真正奖励：
    
    
    
    • 接近正确的分支被继续探索
      
    • 错误分支被及时剪枝
      
    • 不是只奖励最后写出来的那段文字
      
    
    
  
  

10. 你的这个例子里，模型具体哪里出了问题？

它在中途其实已经触到了关键线索：

• “经典横向思维谜题”
  
• “切的对象不一定非得是苹果”
  
• “这个题通常有个把戏”
  

这些都说明它的内部已经激活了正确模式。
但接下来它又回到了“标准分数切法”的叙事轨道。
这通常说明：

• 正确模式被激活了
  
• 但没有足够强的机制把它“升格为当前主假设”
  
• 于是被更高概率的常规分析文本冲掉了
  

这很像搜索里启发函数弱、状态管理差，而不是单纯 loss 数值不对。
11. 一个比较准确的结论

你可以把它理解成：
不是“模型不会想”，而是“模型缺少像程序那样稳定地管理想法分支的能力”。
损失函数确实有锅，因为它没有直接优化“分支稳定性”和“搜索质量”；
但更大的问题是：

• 表示形式不对
  
• 推理控制流不对
  
• 训练信号不对
  
• 后训练风格偏置也不对
  

所以这属于一个系统性问题，不是改一个 loss 就能彻底解决。
从 Transformer 结构角度看，为什么模型推理过程中容易自我推翻

(照搬 ChatGPT 的回答)
从 Transformer 结构看，它容易“自我推翻”，核心原因是：
它没有一个像传统程序那样独立、持久、可检验的“推理状态机”。
它只有一串 token，不断通过注意力去重新解释前文，然后预测下一个 token。
所以它表面上像是在“沿着一个思路持续思考”，其实更接近于：
每一步都在用当前全文重新做一次局部最优续写。
这会天然带来“刚刚支持某个方向，下一句又把它否了”的现象。
1. Transformer 没有显式的“假设栈”或“搜索树”

人在认真推理时，脑子里通常会有这种结构：

• 假设 A：按数学切分来做
  
• 假设 B：这是脑筋急转弯
  
• 当前更看好 B
  
• 暂时保留 A 以防万一
  
• 如果 B 能解释“只能切两刀”，就继续深挖
  

这其实已经像一个小型搜索树了。
但普通 Transformer 并没有这种显式数据结构。
它没有内建：

• hypothesis stack
  
• branch score table
  
• backtracking pointer
  
• durable working memory slots
  

它只有隐藏状态和 attention。
所以“某个方向正在被认真保留”这件事，往往只是分布式地编码在激活里，而不是清晰地存成一个对象。
结果就是：

• 某个方向刚刚被激活
  
• 下一步又被别的上下文模式盖过去
  
• 看起来就像“自己把自己否了”
  

2. 每一层都在重新混合上下文，不是单向锁定结论

Transformer 的每一层都会做两件事：

• 用 self-attention 从前文各处取信息
  
• 用 MLP 把这些信息非线性变换成新的表示
  

这意味着当前 token 的表示，不是“沿着一条固定思路向前推进”，而是每层都在做一次：

“前文里哪些东西现在最 relevant？”

而“relevant”是动态的。
比如前一句刚写了：

• “这可能是横向思维谜题”
  下一句生成时，attention 也许又更强地看向：
  
• “平均分”
  
• “3/5”
  
• “只能切两刀”
  
• “通常意味着切苹果”
  

于是表示空间里的重心就变了。
也就是说，Transformer 不是先形成稳定的逻辑树，再往下展开；
而是每一步都可能重新加权整段历史。
所以它很容易出现：

• 前一步：横向思维很重要
  
• 后一步：还是数学切分更像“严谨分析”
  
• 再下一步：等等，这题又像脑筋急转弯
  

这就是你看到的摇摆。
3. Attention 是软选择，不是硬承诺

self-attention 本质上是一个加权和
这里的关键点是：
它不是在说“我决定采用假设 A，放弃假设 B”，而是在说：

• 给 A 一些权重
  
• 给 B 一些权重
  
• 给“谨慎表述模板”一些权重
  
• 给“数学分析套路”一些权重
  

也就是说，它是混合，不是离散决策。
这会导致一个很典型的问题：

• 某个正确方向并没有被彻底删除
  
• 但也没有被强力锁定
  
• 最终只是和其他模式一起平均进表示里
  

平均的结果就是：
输出变成一种折中而摇摆的文本。
所以它不是像程序那样：

1. if hypothesis_B_score > threshold:
2.     commit(B)

复制代码

而更像：

1. representation = 0.35 * B + 0.40 * A + 0.25 * careful_reasoning_style

复制代码

这种“软混合”特别容易生成既提到正确方向、又马上撤回的内容。
4. 残差连接让旧模式很难真正被“清掉”

Transformer 有大量 residual connection，这意味着每一层不是推翻旧表示重来，而是在旧表示上叠加修正。
好处是训练稳定、信息保留强。
坏处是不同倾向会长期共存：

• 一个方向的痕迹还在
  
• 另一个方向的新信号也进来了
  
• 再加上“保持严谨”的写作模板也还在
  

结果就是表示里可能同时保留：

• “这是数学题”
  
• “这可能是脑筋急转弯”
  
• “不要过早下结论”
  
• “继续列举方案更像高质量推理”
  

所以输出常常变成一种内部拉扯后的折中产物。
这在文本上就表现为“自我推翻”。
5. 它的“记忆”是内容寻址，不是变量式记忆

传统程序会有明确变量：

1. current_best_hypothesis = lateral_thinking
2. confidence = 0.72

复制代码

Transformer 没有这种天然变量。
它依赖的是 distributed representation，也就是把信息分散在很多维度里。
这类记忆的问题是：

• 不容易做离散更新
  
• 不容易精确比较两个假设谁更优
  
• 不容易长期保持某个中间结论不被污染
  

所以“我已经决定这题大概率是脑筋急转弯”这件事，未必能以一个稳定、可读、可锁定的方式存在。
它更像一团高维倾向。
而高维倾向很容易被后续 token 的语境重新拉偏。
6. 自回归解码是贪心局部过程，不会天然回头修正计划

Transformer 在生成时通常是：

• 生成一个 token
  
• 把它拼回上下文
  
• 再生成下一个 token
  

这意味着，前面一旦写出：

• “通常，意味着要切苹果”
  
• “重新评估物理上的 3/5 分割”
  

后面模型就要面对一个新现实：
现在上下文已经被自己写成“严肃数学分析模式”了。
于是接下来它会越来越容易继续顺着这个模式写。
即使它内部还有“横向思维”信号，也会被当前已生成文本拖着走。
这叫做 exposure bias / trajectory lock-in 的一种表现：

• 一开始一个小偏移
  
• 后面每一步都把这个偏移当真
  
• 最终越走越远
  

所以有时不是模型主动决定“否定正确方向”，而是它已经把自己写进了另一个轨道里。
7. Transformer 擅长模式补全，不擅长显式元认知控制

它很会学这种模式：

• 分析问题
  
• 列多个方法
  
• 自我质疑
  
• 排除不严谨解法
  

但“我是不是过早否定了一个高价值假设？”这是更高一层的元认知控制。
普通 Transformer 并没有一个专门模块持续做这种事。
也就是说，它可以学到“像反思一样的文本”，但不一定真的有稳定的反思控制器。
所以你看到的：

• “等等，这可能是横向思维”
  
• “但通常意味着要切苹果”
  
• “再检查一下”
  
• “不，这个方向不对”
  

很多时候更像是反思风格的文本生成，不是一个真正的审议系统在运转。
8. 多头注意力会并行保留互相冲突的解释

多头注意力的一个强项，是不同头可以关注不同关系：

• 一个头盯住“平均分给五个小朋友”
  
• 一个头盯住“只能切两刀”
  
• 一个头盯住“经典脑筋急转弯”
  
• 一个头盯住“常识：切的是苹果”
  

这让模型表达力很强。
但也意味着它可能同时维持多个互相冲突的解释框架。
如果后续层没有足够强的机制把这些框架压成一个稳定结论，最后生成时就会表现为：

• 一会儿站在框架 A 里说话
  
• 一会儿又切到框架 B
  
• 文本上像“自我打脸”
  

换句话说，多头注意力很会“看见多个角度”，但不等于它很会“裁决哪个角度应该赢”。
9. 位置编码帮助顺序理解，但不等于建立推理控制流

位置编码让模型知道 token 顺序。
但“顺序”不等于“控制流”。
程序里的控制流是这样的：

• 进入分支
  
• 持续执行该分支
  
• 满足条件后才退出
  
• 回到上层继续
  

Transformer 没有这种原生机制。
它知道前后顺序，但不知道“我现在已经进入假设 B 的子推理，除非出现反证，否则不要退出”。
所以它的推理轨迹不是树状控制流，更像一条被上下文不断重写权重的文本流。
10. 最终 logits 是很多因素叠加出来的，不代表单一“立场”

在最后输出 token 前，模型会把高维表示投影到词表 logits。
这个 logit 不是“当前真实想法”的直接读取，而是多种因素叠加的结果：

• 语义因素
  
• 上下文一致性
  
• 常见表达模板
  
• 安全/谨慎偏置
  
• 训练里高频的“分析型话术”
  

于是模型有时不是“逻辑上决定否定”，而是因为像下面这类句子在当前状态下概率更高：

• “再重新评估一下”
  
• “然而，这种方法似乎不成立”
  
• “通常，这意味着……”
  
• “不过，这可能不符合题意”
  

这些 token 很像理性思考，所以容易被选中。
一旦选中，就会把整段思路带向自我推翻。
11. 用一句结构化的话概括

从 Transformer 结构上说，它容易自我推翻，是因为：
它依赖分布式表示、软注意力混合和自回归局部续写来“近似推理”，但没有显式的假设管理、分支提交、回溯和元认知裁决机制。
因此它能“想到”多个方向，却不擅长稳定地“守住”其中一个高价值方向。
12. 和传统程序 / 搜索器对比一下

传统搜索器更像：

• 状态是显式的
  
• 分支是离散的
  
• 评分是可比较的
  
• 回溯是原生支持的
  
• “已接近正确”可以被持久记录
  

Transformer 更像：

• 状态是隐式分布式的
  
• 分支是软混合的
  
• 评分不是显式挂在候选树上
  
• 回溯不是原生动作
  
• “接近正确”不一定能稳定保存在上下文里
  

所以自我推翻几乎是很自然的副作用。
13. 你可以把它想成这两种系统的差别

一种系统像白板推理：

• 在左边写假设 A
  
• 在右边写假设 B
  
• 中间写证据
  
• 先别擦掉
  
• 最后再裁决
  

另一种系统像即兴演讲：

• 说到哪算哪
  
• 依赖刚才说过的话继续往下讲
  
• 脑中同时有多个模糊想法
  
• 哪个表述眼下更顺，就先说哪个
  

Transformer 更接近后者。
所以它非常容易出现“刚才还觉得这个方向有戏，下一句又自己把它讲没了”。
14. 这是不是说明 Transformer 完全不适合推理？

也不是。
Transformer 的强项是：

• 大规模模式抽象
  
• 长上下文关联
  
• 并行表示学习
  
• 在很多任务上形成很强的启发式推理能力
  

它的问题不是“完全不能推理”，而是：
纯 Transformer + 自回归文本输出，不天然等于稳定的 deliberative reasoning system。
所以现代系统常常会加这些东西来补：

• 多次采样 self-consistency
  
• 外部 verifier
  
• tree search / beam search
  
• 工具调用
  
• scratchpad / structured state
  
• process supervision
  
• test-time compute 扩展
  

这些本质上都是在弥补 Transformer 原生控制流不足的问题。
我的感慨

大语言模型我是完全的外行。我常常对于 AI 能够做推理这件事情感到惊奇。
今天又有另外的领悟：

人类通过语言来表达思考、逻辑、推理……
人类把语言存储到文本
大模型把人生产生的所有文本建立关联的词向量
依靠算力：预测某个词对应的下一个词时，人类沉淀到语言里的思考/逻辑/推理，就通过机器复现出来了。
但是：
· 几乎所有的人类都误解了某个事实，大模型也会误解；
· 语言的边界即思维的边界。大模型只能复现思考/逻辑/推理，无法超越已有的思考。

印证了那句话：

“我语言的界限，意味着我世界的界限。”
—— 路德维希·维特根斯坦

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！