/
数学计算 关键字列表
大语言模型数学计算能力仍然堪忧
最新ORCA基准测试显示，当前主流AI模型在数学问题上表现依然不佳。500道实用数学题测试中，表现最佳的Gemini 3 Flash准确率仅达72.8%，相当于C级成绩。研究发现，AI模型本质上是预测引擎而非逻辑引擎，基于概率猜测答案而非真正计算。计算错误占所有错误的39.8%，且模型回答同一问题时存在不稳定性，经常改变答案。
研究显示大语言模型数学计算能力令人担忧
波兰研究团队开发ORCA数学基准测试，对五个主流大语言模型进行评估。结果显示ChatGPT-5、Gemini 2.5 Flash、Claude Sonnet 4.5、Grok 4和DeepSeek V3.2的准确率均低于63%。测试涵盖生物化学、工程建筑、金融经济等七个领域的500道数学题目。研究发现模型主要在四舍五入和计算错误方面存在问题，表明自然语言推理进步并未直接转化为可靠的计算能力。
白皮书
京公网安备 11010802021500号
