推理评估

研究人员提出“干预式基础审计”方法，通过谓词替换检测大模型思维链推理对前提的真实依赖程度，发现GPT-4o在解决推理问题时，66%的正确回答中存在与证明树依赖不一致的推理步骤。

研究发现，大语言模型量化后即使任务准确率不变，其推理过程可能已发生“空洞化”，产生表面正确但逻辑不完整的答案，传统评估方法难以检测。

研究团队提出L-MAD框架，系统评估多智能体辩论在法律推理中的表现，发现合理配置智能体数量可提升准确性，但过度讨论会导致错误强化。