研究提出能力本位评测 CBE，揭示 GPT 与 Qwen 逻辑推理不一致
原文标题：Competence-Based Evaluation of Logical Reasoning in Large Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文批评当前基准只报告单一准确率，无法反映推理能力的泛化性，提出能力本位评测（CBE）：用参数化生成器在固定能力要求下扩展复杂度，并以等价表述检验正确性。在六款 GPT 与 Qwen 模型上，即使强模型也无法通过跨表述的能力一致性检验；思维链与 GRPO 能提升表现但未解决全部失败，监督式 LoRA 的迁移效果有限。
- 问题
- 现有基准只报单一准确率，无法反映推理能力的泛化与一致性。
- 方法
- 提出能力本位评测CBE：参数化生成器在固定能力要求下扩展复杂度，并用保答案的等价表述检验正确性。
- 结果
- 六款GPT与Qwen模型在有限复杂度内表现尚可，但强模型也通不过跨表述能力一致性检验；思维链与GRPO有提升但未解决全部失败。
- 影响
- 单点准确率会高估模型推理能力，做评测与选型的团队应引入跨表述一致性检验。
深读 · 结论先行AI 生成展开看要点与影响 ↓
新评测CBE要求同一能力跨表述一致，六款GPT与Qwen强模型均未通过。
- •CBE用参数化生成器在固定能力要求下扩展复杂度，并用保持答案等价的多种表述检验正确性。
- •在六款GPT与Qwen模型上，即使强模型也无法通过跨表述的能力一致性检验。
- •思维链与GRPO能提升表现，但未解决全部测试失败。
- •监督式LoRA在留出测试上的迁移效果有限。
为什么重要：单一准确率分数可能高估推理能力，做模型选型或评测体系的人需要关注跨表述一致性这一维度。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。