一项名为CausalGame的新基准测试已被开发出来,用于评估大型语言模型(LLM)智能体的因果推理能力,特别是在科学发现的背景下。该基准测试使用交互式游戏来测试LLM智能体识别因果关系的能力,区分它们与单纯的相关性,并考虑选择偏差、测量误差和隐藏混淆因素等问题。在涉及14种不同场景的测试中,即使是表现最好的LLM智能体也未能展现出可靠的因果推理能力,得分远低于分析最优值。 AI
影响 突显了LLM智能体在科学发现能力方面存在的关键差距,表明当前模型在理解和揭示真实科学关系所必需的细微因果推理方面存在困难。
排序理由 该集群描述了一篇介绍用于评估AI能力基准测试的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →