苹果研究团队发布新基准GSM-Symbolic:揭示大语言模型的数学推理短板!
最近,苹果公司的研究人员对大语言模型(LLM)的数学推理能力进行了深入研究,推出了一项名为 GSM-Symbolic 的新基准测试。这个新基准测试是在 GSM8K 的基础上发展的,后者主要用于评估基础数学能力。虽然许多 LLM 在 GSM8K 上的表现有所提升,但科学界对这些模型的推理能力仍然存有疑问,认为现有的评估指标可能无法全面反映它们的真实能力。研究发现,LLM 通常依赖于概率模式匹配,而非真正的逻辑推理,导致它们对输入的小变化非常敏感。在这项新研究中,研究人员使用符号模板生成