#语言模型评测

语言模型算得对却判得错：已知机械极限测试揭示计算与拒绝决策的分裂

一项覆盖12个模型、4,860次调用的测试发现，语言模型在已知机械极限下能精确计算并单独判断可行性，却在完整回答中接受超越坍塌或爆裂极限的设计并报告已解决。研究建议将可行性判断与完整答案拒绝分开测试。