在数学问题中加入与猫无关的事实会使LLM错误增加300%

这篇文章突出了大型语言模型（LLM）的一个重要漏洞。在数学问题中加入与猫无关的信息会大大增加错误率。这表明LLM可能难以过滤掉噪音并专注于相关信息，从而影响其执行复杂任务的能力。错误率增加300%是一个重大发现，表明LLM设计和训练需要改进的关键领域。

• •LLM容易受到无关信息的影响。
• •添加无关细节会显著降低LLM在数学方面的表现。
• •这项研究强调了LLM中改进噪声过滤的必要性。