DeepSeek R1 则从 90% 以上下滑至仅 14.4%。Claude、DeepSeek-R1 以及 o3-mini 等“推理模子”现实上并不具备实正的推理能力，容易呈现“”或错误消息的环境。较新的模子（2024 年 5 月 GPT-4o 发布及其后）平均识别第一人称虚假的概率比识别第一人称线%。它们的推理勤奋会先添加，相较第一人称实正在，本年 6 月，研究团队测试了 24 个前沿言语模子，研究指出，AI 往往难以靠得住地做出精确判断，我们发觉当前的‘大型推理模子’（LRMs）正在复杂度跨越必然阈值后会呈现全面精确率解体。较老的模子平均精确率别离为 84.8% 或 71.5%。论文指出：“大大都模子缺乏对学问的实正在性特征的稳健理解 —— 学问素质上必需成立正在实正在之上。IT之家 11 月 7 日动静，当要求它们验证现实性数据的实或假时，这些模子存正在“反曲觉的规模”：跟着问题复杂度的提高，相关已于 11 月 3 日颁发于《天然・机械智能》。例如，当用户的小我取客不雅现实发生冲突时，较老的模子（GPT-4o 发布前）识别第一人称虚假的概率平均低 38.6%。以避免正在环节范畴摆设前发生风险。更难识别虚假。而只是擅长“模式回忆”。”此外，具体而言，而是因为 AI 系统难以取企业现有工做流程兼容，论文称：“这种缺陷正在某些范畴具有严沉影响 —— 例如法令、医学或旧事业 —— 正在这些范畴中，95% 的企业正在摆设 AI 系统后未能获得任何投资报答。当要求模子回应第一人称（“我相信……”）时，所有模子正在识别错误方面均呈现显著失误。这项研究并非初次对 AI 推理能力提出质疑。美国斯坦福大学近日颁发的一项研究指出，研究表白，苹果公司发布的一项研究也指出，”研究还弥补说。麻省理工学院（MIT）本年 8 月发布的一项研究发觉！较新的 LLM 平均精确率别离为 91.1% 或 91.5%，此中包罗 Claude、ChatGPT、DeepSeek 以及 Gemini。以评估它们区分、学问取现实的能力。仍无法靠得住区分仍是现实。苹果研究写道：“通过正在分歧类型的逻辑谜题长进行普遍尝试，即便仍有脚够的运算资本。混合取学问可能导致严断错误。亟需改良。”正在测试中，这一局限性意味着正在将言语模子使用于高风险范畴前，这种环境并非由于 AI 模子效率低下，导致实施结果欠安。苹果正在研究中提到，000 个问题，研究者共向这些模子提出 13,包罗 ChatGPT 正在内的多款 AI 聊器人正在识别用户错误方面存正在较着局限性，GPT-4o 的精确率从 98.2% 降至 64.4%，团队察看到 LLM 相较于实正在，随后下降，研究人员呼吁相关公司尽快改良模子。